論文の概要: Information-Theoretic Optimization for Task-Adapted Compressed Sensing Magnetic Resonance Imaging

• arxiv url: http://arxiv.org/abs/2604.12709v1
• Date: Tue, 14 Apr 2026 13:23:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.455534
• Title: Information-Theoretic Optimization for Task-Adapted Compressed Sensing Magnetic Resonance Imaging
• Title（参考訳）: タスク適応圧縮型磁気共鳴イメージングのための情報理論最適化
• Authors: Xinyu Peng, Ziyang Zheng, Wenrui Dai, Duoduo Xue, Shaohui Li, Chenglin Li, Junni Zou, Hongkai Xiong,
• Abstract要約: タスク適応型圧縮型磁気共鳴画像(CS-MRI)は、下流臨床の特定の要求に対処するために出現している。 本稿では,不確実性予測のための確率的推論を同時に達成するために,情報理論の観点から最初のタスク適応型CS-MRIを提案する。 我々は、アモータイズされた最適化を活用し、抽出、再構成、タスク推論モデルを共同で最適化するために、相互情報に対してトラクタブルな変動境界を構築する。
• 参考スコア（独自算出の注目度）: 92.90858286761515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Task-adapted compressed sensing magnetic resonance imaging (CS-MRI) is emerging to address the specific demands of downstream clinical tasks with significantly fewer k-space measurements than required by Nyquist sampling. However, existing task-adapted CS-MRI methods suffer from the uncertainty problem for medical diagnosis and cannot achieve adaptive sampling in end-to-end optimization with reconstruction or clinical tasks. To address these limitations, we propose the first task-adapted CS-MRI from the information-theoretic perspective to simultaneously achieve probabilistic inference for uncertainty prediction and adapt to arbitrary sampling ratios and versatile clinical applications. Specifically, we formalize the task-adapted CS-MRI optimization problem by maximizing the mutual information between undersampled k-space measurements and clinical tasks to enable probabilistic inference for addressing the uncertainty problem. We leverage amortized optimization and construct tractable variational bounds for mutual information to jointly optimize sampling, reconstruction, and task-inference models, which enables flexible sampling ratio control using a single end-to-end trained model. Furthermore, the proposed framework addresses two kinds of distinct clinical scenarios within a unified approach, i.e., i) joint task and reconstruction, where reconstruction serves as an auxiliary process to enhance task performance; and ii) task implementation with suppressed reconstruction, applicable for privacy protection. Extensive experiments on large-scale MRI datasets demonstrate that the proposed framework achieves highly competitive performance on standard metrics like Dice compared to deterministic counterpart but provides better distribution matching to the ground-truth posterior distribution as measured by the generalized energy distance (GED).
• Abstract（参考訳）: タスク適応型圧縮型磁気共鳴イメージング(CS-MRI)は、Nyquist サンプリングに必要な k-space 測定をはるかに少なくして、下流臨床タスクの特定の要求に対処するために出現している。 しかし,既存のタスク適応型CS-MRI法は診断の不確実性に悩まされており,再建作業や臨床作業によるエンドツーエンドの最適化において適応的なサンプリングを達成できない。 これらの制約に対処するために,情報理論の観点から初めてタスク適応型CS-MRIを提案し,不確実性予測の確率的推論を同時に達成し,任意のサンプリング比に適応し,多目的臨床応用を提案する。 具体的には,不確実性に対処する確率的推論を可能にするために,アンサンプされたk空間計測と臨床タスクの相互情報を最大化することにより,タスク適応型CS-MRI最適化問題を定式化する。 我々は、アモータイズされた最適化を活用し、相互情報に対するトラクタブルな変動境界を構築し、サンプリング、再構成、タスク推論モデルを協調的に最適化し、単一のエンドツーエンドトレーニングモデルを用いてフレキシブルなサンプリング比制御を可能にする。 さらに,本フレームワークは統合的アプローチにおける2種類の異なる臨床シナリオ,すなわち統合的アプローチに対処する。 一 作業性能を高めるための補助的な工程として再建を行う共同作業及び再建 二 プライバシー保護にあつては、再建を抑圧した業務実施 大規模MRIデータセットに対する大規模な実験により,提案手法はDiceなどの標準指標に対して決定論的手法と比較して高い競争力を発揮するが,一般エネルギー距離(GED)によって測定された地中構造後部分布との整合性は良好であることが示された。

関連論文リスト

• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• Active MRI Acquisition with Diffusion Guided Bayesian Experimental Design [1.3142127084199051]
  臨床環境におけるMRIの利点を最大化するための鍵となる課題は、画像品質を著しく劣化させることなく取得時間を短縮することである。 この目的には、高速な取得のために生のk空間測定をアンダーサンプリングすることと、高忠実度画像再構成および解析タスクのための十分な生情報を収集することのバランスが必要である。 本稿では, 逐次ベイズ実験設計(BED)を用いて, 最も情報性の高い測定値の適応的, タスク依存的な選択を実現することを提案する。
  論文  参考訳（メタデータ） (2025-06-19T11:48:30Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• SCREENER: A general framework for task-specific experiment design in quantitative MRI [5.531414667421242]
  SCREENERは、定量的MRIにおけるタスク固有の実験設計のための一般的なフレームワークである。 タスク固有の目的を取り入れ、深層強化学習(DRL)に基づく最適化戦略を用いて最適なプロトコルを求める。 その結果,SCREENERは,SNR条件下で,従来のアドホックおよび最適化プロトコルよりも優れていた。
  論文  参考訳（メタデータ） (2024-08-06T21:43:50Z)
• Embracing Uncertainty Flexibility: Harnessing a Supervised Tree Kernel to Empower Ensemble Modelling for 2D Echocardiography-Based Prediction of Right Ventricular Volume [0.5492530316344587]
  右室機能低下は,多くの状況において臨床効果を強く予測する。 本稿では,不確実性スコアによるボリューム予測を補完する手法を提案する。 提案手法は意思決定プロセスの強化とリスク低減に有効である。
  論文  参考訳（メタデータ） (2024-03-04T12:36:31Z)
• Task-specific experimental design for treatment effect estimation [59.879567967089145]
  因果推論の標準は大規模ランダム化試験(RCT)である。 近年の研究では、RCTのよりサンプル効率の良い代替案が提案されているが、これらは因果効果を求める下流の応用には適用できない。 実験的な設計のためのタスク固有のアプローチを開発し、特定の下流アプリケーションにカスタマイズされたサンプリング戦略を導出する。
  論文  参考訳（メタデータ） (2023-06-08T18:10:37Z)
• PUERT: Probabilistic Under-sampling and Explicable Reconstruction Network for CS-MRI [47.24613772568027]
  圧縮センシングMRI(Compressed Sensing MRI)は,k空間データをサンプリングし,MRI画像の高速化を目的とする。 本稿では,サンプリングパターンと再構成ネットワークを協調的に最適化するために,PUERTと呼ばれる新しいエンドツーエンドの確率的アンダーサンプリングと明示的再構成neTworkを提案する。 2つの広く利用されているMRIデータセットの実験により、提案したPUERTは、定量的な測定値と視覚的品質の両方の観点から、最先端の結果が得られることを示した。
  論文  参考訳（メタデータ） (2022-04-24T04:23:57Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• Learning Sampling and Model-Based Signal Recovery for Compressed Sensing MRI [30.838990115880197]
  圧縮センシング(CS)MRIは、画像品質を損なうことなく、取得を加速するためにk空間の適切なアンサンプに依存する。 タスク適応型k空間サンプリングとそれに続くモデルベース近位回復ネットワークの併用学習を提案する。 高いフレキシブルサンプリングモデルとモデルベース(サンプル適応型)画像再構成ネットワークの組み合わせにより、探索と効率的なトレーニングが容易になり、MR画像の品質が向上した。
  論文  参考訳（メタデータ） (2020-04-22T12:50:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。