論文の概要: Phase-map synthesis from magnitude-only MR images using conditional score-based diffusion models with application in training of accelerated MRI reconstruction models

• arxiv url: http://arxiv.org/abs/2605.01185v1
• Date: Sat, 02 May 2026 01:25:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.627698
• Title: Phase-map synthesis from magnitude-only MR images using conditional score-based diffusion models with application in training of accelerated MRI reconstruction models
• Title（参考訳）: 条件付きスコアベース拡散モデルを用いた等級限定MR画像からの位相マップ合成と加速MRI再構成モデルの訓練への応用
• Authors: M. Berk Sahin, Dilek Yalcinkaya, Abolfazl Hashemi, Behzad Sharif,
• Abstract要約: ほとんどの臨床MRIアプリケーションでは、生のk空間データが破棄され、マグニチュードのみの画像が保存される唯一のコンポーネントである。 DLベースのMRI再構成の文献の大部分は、小さなトレーニングデータセットに依存するか、利用可能な数少ないオープンソースkスペースデータセットの1つを使用している。 本稿では,条件付きスコアベース拡散モデルに基づく生成的アプローチを用いてこの問題に対処する。
• 参考スコア（独自算出の注目度）: 7.041502953437834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accelerated magnetic resonance imaging (MRI) enabled by the training of deep learning (DL)-based image recon. models requires large and diverse raw k-space datasets. In most clinical MRI applications, due to storage and patient privacy concerns, raw k-space data is discarded and magnitude-only images are the only component saved. Consequently, a large portion of the DL-based MRI recon. literature has either relied on small training datasets or has used one of the few available open-source k-space datasets. At the same time, the growing number of anonymized magnitude-only image registries/databases motivates the development of techniques that can use them as training datasets for generalizable DL-based recon. models. Here we propose to address this challenge by employing a generative approach based on conditional score-based diffusion models (SBDMs): given a magnitude-only MR image, it synthesizes a phase map (in the image domain) that realistically corresponds to the magnitude-only image. We evaluate its generative capabilities in a downstream DL-based recon. task whereby a large k-space dataset is generated by combining the SBDM-synthesized phase-maps and the corresponding magnitude-only images, and this k-space dataset is then used to train a DL model for accelerated MRI recon. We compare the performance of the resulting DL model versus those trained according to (a) a naive approach that uses smooth phase, (b) a k-space training dataset generated using synthesized phase maps derived from a generative adversarial network, and (c) the ground truth k-space data. Our results suggest that the DL model trained from SBDM-synthesized k-space data outperforms the other approaches in terms of quantitative metrics as well as qualitatively observed recon. fidelity, i.e., whether the reconstructed images include erroneous or hallucinated features that could adversely impact diagnostic accuracy.
• Abstract（参考訳）: ディープラーニング(DL)に基づく画像再構成の訓練により実現した加速磁気共鳴画像(MRI) モデルは大規模で多様な生のk空間データセットを必要とする。 ほとんどの臨床MRIアプリケーションでは、ストレージと患者のプライバシの懸念により、生のk空間データが破棄され、マグニチュードのみの画像が保存される。 その結果,大部分のDLベースMRIが再建された。 literatureは、小さなトレーニングデータセットに依存するか、利用可能な数少ないオープンソースkスペースデータセットの1つを使用している。 同時に、匿名化されたマグニチュードのみの画像レジストリ/データベースの増加は、DLベースのリコンストラクションのためのトレーニングデータセットとして使用できる技術の開発を動機付けている。 モデル 本稿では,条件付きスコアベース拡散モデル (SBDM) に基づく生成的アプローチを用いてこの問題に対処することを提案する。 下流DLリコンストラクションにおける生成能の評価を行った。 これにより、SBDM合成位相マップとそれに対応する等級のみの画像を組み合わせて大きなk空間データセットを生成し、このk空間データセットを使用して、加速MRI再構成のためのDLモデルをトレーニングする。 結果のDLモデルの性能を、トレーニングしたモデルと比較する。 (a)スムーズな位相を用いたナイーブなアプローチ b) 生成逆数ネットワークから合成位相マップを用いて生成されたk空間トレーニングデータセット (c) 基底真理k空間データ。 以上の結果から,SBDM合成k-spaceデータから学習したDLモデルは,定量的指標や定性的に観察された再構成の点で,他の手法よりも優れていたことが示唆された。 忠実さ つまり 再建された画像に 誤った特徴があるか 幻覚的特徴があるか 診断精度に悪影響を及ぼす可能性があるか

関連論文リスト

• MRI2Qmap: multi-parametric quantitative mapping with MRI-driven denoising priors [0.0280162601599316]
  プラグアンドプレイの定量的再構成フレームワークであるMRI2Qmapを紹介する。 物理取得モデルと、大規模なマルチモーダル重み付きMRIデータセットで事前訓練されたディープ・デノナイズ・オートエンコーダから学んだ事前情報を統合する。 提案手法は,in-vivo およびsimulated acquisitions から高高速化された3次元脳内MRFデータに対して検証を行った。
  論文  参考訳（メタデータ） (2026-03-11T21:23:52Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• 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)
• Self-Consistent Nested Diffusion Bridge for Accelerated MRI Reconstruction [22.589087990596887]
  画像画像を用いたMRI画像再構成の課題に焦点をあてる。 拡散モデルの最近の進歩、特に拡散確率モデルのデノベーションは、画像先行をモデル化する上で強力な能力を示している。 我々は,MRI再構成の高速化をモデルとした自己持続性ネスト拡散橋(SC-NDB)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-13T09:35:34Z)
• Autoregressive Image Diffusion: Generation of Image Sequence and Application in MRI [2.0318411357438086]
  生成モデルは画像分布を学習し、アンサンプされたk空間データから高品質な画像の再構成に使用できる。 画像系列に対する自己回帰画像拡散(AID)モデルを提案し,それを後部MRI再構成のサンプリングに用いた。 その結果,AIDモデルは逐次コヒーレントな画像列を確実に生成できることがわかった。
  論文  参考訳（メタデータ） (2024-05-23T08:57:10Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• Efficient MRI Parallel Imaging Reconstruction by K-Space Rendering via Generalized Implicit Neural Representation [16.63720411275398]
  本研究では、MRI PI再構成のための一般化暗黙的神経表現(INR)に基づくフレームワークを提案する。 提案手法は, ボクセル特有の特徴の事前知識を活用することにより, 限界を克服する。 公開されているMRIデータセットを用いた実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2023-09-12T09:07:03Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Deep MRI Reconstruction with Radial Subsampling [2.7998963147546148]
  k空間データにサブサンプリングマスクを適用することは、実際の臨床環境でk空間データの迅速な取得をシミュレートする方法である。 訓練された深層ニューラルネットワークが出力する再構成の質に対して,リチリニア・ラジアル・リフレクション・サブサンプリングを適用させる効果を比較検討し,検討した。
  論文  参考訳（メタデータ） (2021-08-17T17:45:51Z)

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。