論文の概要: CAHAL: Clinically Applicable resolution enHAncement for Low-resolution MRI scans
- arxiv url: http://arxiv.org/abs/2604.18781v1
- Date: Mon, 20 Apr 2026 19:45:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-22 22:41:49.456625
- Title: CAHAL: Clinically Applicable resolution enHAncement for Low-resolution MRI scans
- Title（参考訳）: CAHAL : 低分解能MRIにおける臨床応用
- Authors: Sergio Morell-Ortega, Ángela González-Cebrián, Boris Mansencal, Marien Gadea, Roberto Vivo-Hernando, Gregorio Rubio, Fernando Aparici, Maria de la Iglesia-Vaya, Gwenaelle Catheline, Pierrick Coupé, José V. Manjón,
- Abstract要約: 脳MRIの大規模自動形態計測解析は、太いスライスによって制限される。
既存の生成超解像法は、視覚的に魅力的な等方性ボリュームを生成するが、しばしば解剖学的幻覚を導入する。
本稿では,低分解能MRIスキャンのためのCAHAL(Clinically Applicable resolution enhancement for Low- resolution MRI)を提案する。
- 参考スコア（独自算出の注目度）: 29.281962308908195
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Large-scale automated morphometric analysis of brain MRI is limited by the thick-slice, anisotropic acquisitions prevalent in routine clinical practice. Existing generative super-resolution (SR) methods produce visually compelling isotropic volumes but often introduce anatomical hallucinations, systematic volumetric overestimation, and structural distortions that compromise downstream quantitative analysis and diagnostic safety. To address this, we propose CAHAL (Clinically Applicable resolution enHAncement for Low-resolution MRI scans), a hallucination-robust, physics-informed resolution enhancement framework that operates directly in the patient's native acquisition space. CAHAL employs a deterministic bivariate Mixture of Experts (MoE) architecture routing each input through specialised residual 3D U-Net experts conditioned on both volumetric resolution and acquisition anisotropy, two independent descriptors of clinical MRI acquisition. Experts are optimised with a composite loss combining edge-penalised spatial reconstruction, Fourier-domain spectral coherence matching, and a segmentation-guided semantic consistency constraint. Training pairs are generated on-the-fly via physics-based degradation sampled from a large-scale real-world database, ensuring robust generalisation. Validated on T1-weighted and FLAIR sequences against generative baselines, CAHAL achieves state-of-the-art results, improving the best related methods in terms of accuracy and efficiency.
- Abstract（参考訳）: 脳MRIの大規模自動形態計測解析は、日常臨床で一般的に見られる太い異方性獲得によって制限される。
既存の生成超解像法(SR)は、視覚的に魅力的な等方性ボリュームを生成するが、しばしば解剖学的幻覚、体系的な体積過大評価、下流の定量的分析と診断の安全性を損なう構造的歪みをもたらす。
そこで本研究では, 患者固有の取得空間で直接動作する幻覚障害, 物理インフォームド分解能増強フレームワークであるCAHAL(Clinically Applicable resolution enhancement for Low- resolution MRI scans)を提案する。
CAHALは、臨床MRI取得の2つの独立した記述子である体積分解能と収差異方性の両方を条件とした3D U-Netの専門家によって、各入力をルーティングする決定論的二変量混合(MoE)アーキテクチャを採用している。
エキスパートは、エッジペン化空間再構成、フーリエ領域スペクトルコヒーレンスマッチング、セグメンテーション誘導セマンティック一貫性制約を組み合わせた複合的損失を最適化する。
トレーニングペアは、大規模な実世界のデータベースからサンプリングされた物理ベースの分解によって、オンザフライで生成され、堅牢な一般化が保証される。
CAHALは、T1重み付きおよびFLAIR配列を生成ベースラインに対して検証し、最先端の結果を達成し、精度と効率の面で最良の方法を改善する。
関連論文リスト
- Information-Theoretic Optimization for Task-Adapted Compressed Sensing Magnetic Resonance Imaging [92.90858286761515]
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。
論文 参考訳（メタデータ） (2026-04-14T13:23:19Z) - Interpretable Motion Artificat Detection in structural Brain MRI [2.55957188107151]
本稿では,T1強調脳MRIにおける運動関連アーティファクトを検出するための軽量かつ解釈可能なフレームワークを提案する。
提案手法は並列決定戦略により相補スライスレベル(2D)とボリュームレベル(3D)DHoGMの機能を統合する。
MR-ART と ABIDE のデータセットを用いて,見知らぬ場所と見えない場所の両方で評価した。
論文 参考訳（メタデータ） (2026-03-05T22:34:27Z) - DSA-SRGS: Super-Resolution Gaussian Splatting for Dynamic Sparse-View DSA Reconstruction [67.42242016220122]
血管造影は脳血管疾患の補助的診断と治療のための重要な画像診断法である。
ガウススプラッティングと動的神経表現の最近の進歩は、スパースダイナミックインプットから頑健な3次元血管再構築を可能にしている。
本稿では、動的スパースビューDSA再構成のための初の超高分解能ガウススプラッティングフレームワークであるDSA-SRGSを提案する。
論文 参考訳（メタデータ） (2026-03-05T03:41:08Z) - Accelerating 3D Photoacoustic Computed Tomography with End-to-End Physics-Aware Neural Operators [74.65171736966131]
光音響計算トモグラフィ(PACT)は、光コントラストと超音波分解能を組み合わせることで、光拡散限界を超える深部像を実現する。
現在の実装では、高密度トランスデューサアレイと長い取得時間を必要とし、臨床翻訳を制限している。
本研究では,センサ計測からボリューム再構成まで,逆音響マッピングを直接学習する物理認識モデルであるPanoを紹介する。
論文 参考訳（メタデータ） (2025-09-11T23:12:55Z) - MoEDiff-SR: Mixture of Experts-Guided Diffusion Model for Region-Adaptive MRI Super-Resolution [8.193689534916988]
Moediff-SRは、領域適応型MRI超解像(SR)のためのMixture of Experts(MoE)誘導拡散モデルである
画像全体にわたって均一な復調過程を適用する従来の拡散ベースSRモデルとは異なり、Moediff-SRは微粒なトークンレベルで特殊復調の専門家を動的に選択する。
実験の結果,Moediff-SRは画像品質の定量的指標,知覚的忠実度,計算効率において,既存の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2025-04-09T22:12:44Z) - 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) - SIMPLE: Simultaneous Multi-Plane Self-Supervised Learning for Isotropic MRI Restoration from Anisotropic Data [1.980639720136382]
従来のMRIスキャンでは、技術的制約により異方性データが得られることが多い。
超解像技術は、異方性データから等方性高解像度画像を再構成することでこれらの制限に対処することを目的としている。
異方性データから等方性MRIを復元する「SIMPLE」について紹介する。
論文 参考訳（メタデータ） (2024-08-23T13:48:11Z) - Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。
我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
論文 参考訳（メタデータ） (2024-04-15T02:41:55Z) - CycleINR: Cycle Implicit Neural Representation for Arbitrary-Scale Volumetric Super-Resolution of Medical Data [19.085329423308938]
CycleINRは、3次元医療データの超高解像度化のための新しい拡張インプリシトニューラルネットワーク表現モデルである。
そこで我々は,Slice-wise Noise Level Inconsistency (SNLI) を新たに導入し,Slice-wise noise Level inconsistency (SNLI) を定量的に評価する。
論文 参考訳（メタデータ） (2024-04-07T08:48:01Z) - K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality
Assessment [71.27193056354741]
クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。
本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。
K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
論文 参考訳（メタデータ） (2023-07-10T01:26:48Z)
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。