論文の概要: Are Natural-Domain Foundation Models Effective for Accelerated Cardiac MRI Reconstruction?

• arxiv url: http://arxiv.org/abs/2604.22557v1
• Date: Fri, 24 Apr 2026 13:52:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.482711
• Title: Are Natural-Domain Foundation Models Effective for Accelerated Cardiac MRI Reconstruction?
• Title（参考訳）: 心磁図の高速再生には自然ドメインモデルが有効か?
• Authors: Anam Hashmi, Mayug Maniparambil, Julia Dietlmeier, Kathleen M. Curran, Noel E. O'Connor,
• Abstract要約: 本研究では, 自然領域基礎モデルが, 心臓MRIの早期再建に有効であるかどうかを考察する。 本稿では,E2E-VarNetのようなタスク固有状態復元モデルが,標準的な分散環境において優れた性能を発揮する一方で,基礎モデルに基づくアプローチは競争力を維持していることを示す。
• 参考スコア（独自算出の注目度）: 9.952061326734741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The emergence of large-scale pretrained foundation models has transformed computer vision, enabling strong performance across diverse downstream tasks. However, their potential for physics-based inverse problems, such as accelerated cardiac MRI reconstruction, remains largely underexplored. In this work, we investigate whether natural-domain foundation models can serve as effective image priors for accelerated cardiac MRI reconstruction, and compare the performance obtained against domain-specific counterparts such as BiomedCLIP. We propose an unrolled reconstruction framework that incorporates pretrained, frozen visual encoders, such as CLIP, DINOv2, and BiomedCLIP, within each cascade to guide the reconstruction process. Through extensive experiments, we show that while task-specific state-of-the-art reconstruction models such as E2E-VarNet achieve superior performance in standard in-distribution settings, foundation-model-based approaches remain competitive. More importantly, in challenging cross-domain scenarios, where models are trained on cardiac MRI and evaluated on anatomically distinct knee and brain datasets--foundation models exhibit improved robustness, particularly under high acceleration factors and limited low-frequency sampling. We further observe that natural-image-pretrained models, such as CLIP, learn highly transferable structural representations, while domain-specific pretraining (BiomedCLIP) provides modest additional gains in more ill-posed regimes. Overall, our results suggest that pretrained foundation models offer a promising source of transferable priors, enabling improved robustness and generalization in accelerated MRI reconstruction.
• Abstract（参考訳）: 大規模に事前訓練された基礎モデルの出現はコンピュータビジョンを変革し、下流の様々なタスクで強力なパフォーマンスを実現した。 しかし、加速型心臓MRI再構成のような物理学に基づく逆問題の可能性は、いまだに未解明である。 本研究では, 自然領域基礎モデルが, 心臓MRI再建に有効であるかどうかを考察し, バイオメディカルCLIPなどの領域特異的モデルと比較した。 本稿では,CLIP,DINOv2,BiomedCLIPなどの未学習凍結型視覚エンコーダをカスケード内に組み込んだ再構成フレームワークを提案する。 実験により,E2E-VarNet などのタスク固有型再構築モデルは,標準的な分散環境において優れた性能を発揮するが,基礎モデルに基づくアプローチは競争力を維持していることを示す。 さらに重要なことは、心臓MRIでモデルが訓練され、解剖学的に異なる膝と脳のデータセットで評価される、挑戦的なクロスドメインシナリオにおいて、境界モデルは、特に高い加速因子と限られた低周波サンプリングの下で、堅牢性の向上を示す。 さらに、CLIPのような自然像事前学習モデルは、高度に伝達可能な構造表現を学習し、一方、ドメイン固有事前学習(BiomedCLIP)は、より不規則な状態において、控えめな追加利得を提供する。 以上の結果から, 事前訓練した基礎モデルは, 高速MRI再建における強靭性の向上と一般化を実現し, 転送可能な先行モデルとして有望な情報源を提供する可能性が示唆された。

関連論文リスト

• On The Role of K-Space Acquisition in MRI Reconstruction Domain-Generalization [0.0]
  学習したk空間サンプリングの利点がトレーニング領域を超えて拡張できることを示し、ドメインシフト下での再構築性能が向上することを示した。 そこで本研究では,k空間軌跡のゆらぎのトレーニング中に,スキャナや撮像条件の変動をシミュレートし,領域のロバスト性を向上する手法を提案する。
  論文  参考訳（メタデータ） (2025-12-06T18:49:46Z)
• Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
  我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
  論文  参考訳（メタデータ） (2025-10-25T15:40:07Z)
• Self-supervised Deep Unrolled Model with Implicit Neural Representation Regularization for Accelerating MRI Reconstruction [19.419634295527974]
  MRI再構成の高速化は、アンダーサンプリングされたk空間測定から高忠実度MR画像の再構成によってこの問題に対処する。 本稿では、外部トレーニングデータなしでスキャン固有のMRI再構成を可能にする、UnrollINRという新しいゼロショット自己教師型再構成手法を提案する。
  論文  参考訳（メタデータ） (2025-10-08T03:40:40Z)
• Towards Prospective Medical Image Reconstruction via Knowledge-Informed Dynamic Optimal Transport [58.6869774515413]
  本稿では,新しい動的最適輸送フレームワークKIDOTについて紹介する。 KIDOTは、画像から画像への連続的な進化経路として再構成をモデル化し、画像知識インフォームドコスト関数と輸送方程式で導かれる、未完成のデータから学習する。 MRIとCTの再構成実験は、KIDOTの優れた性能を示す。
  論文  参考訳（メタデータ） (2025-05-23T09:05:10Z)
• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• Phy-Diff: Physics-guided Hourglass Diffusion Model for Diffusion MRI Synthesis [45.074243735766]
  本稿では,高画質のdMRIを生成する物理誘導拡散モデルを提案する。 本モデルは拡散過程におけるノイズ進化におけるdMRIの物理原理を紹介する。 実験の結果,本手法は他の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-05T07:09:19Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• Double-Flow GAN model for the reconstruction of perceived faces from brain activities [13.707575848841405]
  そこで我々はDouble-Flow GANと呼ばれる新しい再構築フレームワークを提案する。 また,画像から抽出した特徴を条件として,fMRIから条件付き再構成モデルを事前学習するための事前学習プロセスも設計した。 その結果, 提案手法は, 複数の顔特性を正確に再構成し, 過去の再現モデルより優れ, 最先端の復元能力を示すことがわかった。
  論文  参考訳（メタデータ） (2023-12-12T18:07:57Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)

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。