論文の概要: Self-Supervised Spatial And Zero-Shot Angular Super-Resolution by Spatial-Angular Implicit Representation For Rotating-View SNR-Efficient Diffusion MRI

• arxiv url: http://arxiv.org/abs/2605.02575v1
• Date: Mon, 04 May 2026 13:30:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.301765
• Title: Self-Supervised Spatial And Zero-Shot Angular Super-Resolution by Spatial-Angular Implicit Representation For Rotating-View SNR-Efficient Diffusion MRI
• Title（参考訳）: 回転視SNR高能率拡散MRIにおける空間角インシシット表現による自己改善型空間角超解像とゼロショット角超解像
• Authors: Yinzhe Wu, Hongyu Rui, Fanwen Wang, Jiahao Huang, Zi Wang, Guang Yang,
• Abstract要約: メソスケール拡散MRI(dMRI)における回転視厚スライス取得は高SNR効率である 拡散方向の単一ビューから高分解能dMRIを再構成する自己教師型空間角入射ニューラル表現(SA-INR)を提案する。
• 参考スコア（独自算出の注目度）: 9.996806954463056
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rotating-view thick-slice acquisition is highly SNR-efficient for mesoscale diffusion MRI (dMRI) but requires numerous rotating views to satisfy Nyquist sampling, resulting in long scan time. We propose a self-supervised Spatial-Angular Implicit Neural Representation (SA-INR) that reconstructs high-resolution dMRI from a single view per diffusion direction, representing a massive acceleration. Our model, an MLP conditioned on a b=0 structural prior and the b-direction via FiLM, is trained end-to-end on the anisotropic input. The framework not only accurately reconstructs the trained b-directions (spatial SR) but also learns a continuous q-space representation, enabling high-fidelity "zero-shot" synthesis of unseen b-directions (angular SR). On simulated data, our method achieved high fidelity for both trained (34.82 dB) and unseen (33.08 dB) directions. Most importantly, the synthesized angular data also improved the quantitative accuracy of downstream DTI model fitting. Our SA-INR framework breaks the classical sampling limits, paving the way for fast, quantitative high-resolution dMRI.
• Abstract（参考訳）: 回転ビュー厚スライス取得はメソスケール拡散MRI(dMRI)において非常にSNR効率が高いが,Nyquistサンプリングを満足させるためには多数の回転ビューが必要である。 本研究では,拡散方向毎の単一ビューから高分解能dMRIを再構成し,大規模加速度を表現する自己教師型空間角入射ニューラル表現(SA-INR)を提案する。 我々のモデルでは、b=0構造体とFiLMによるb方向を前提としたMLPを、異方性入力に基づいてエンドツーエンドに訓練する。 このフレームワークは、訓練されたb方向(spatial SR)を正確に再構成するだけでなく、連続的なq空間表現も学習し、未知のb方向(angular SR)の高忠実な「ゼロショット」合成を可能にする。 シミュレーションデータでは, トレーニング (34.82 dB) と未確認 (33.08 dB) の両方で高い忠実度を達成できた。 最も重要なことは、合成した角データにより、下流DTIモデルフィッティングの定量的精度も向上したことである。 我々のSA-INRフレームワークは古典的なサンプリング限界を破り、高速で定量的な高分解能dMRIを実現する。

関連論文リスト

• Unrolled Networks are Conditional Probability Flows in MRI Reconstruction [13.185194525641478]
  本稿では,条件付き確率フローODEの個別実装であるアンロールネットワークを理論的に証明し,MRI再構成にフローODEを導入する。 この接続はパラメータの明示的な定式化を提供し、中間状態がどのように進化するかを明確にする。 本研究では、未学習パラメータをODE離散化から導出し、中間再構成を理想的なODE軌道と整合させて安定性と収束性を向上させるフローアラインドトレーニング(FLAT)を提案する。
  論文  参考訳（メタデータ） (2025-12-02T18:48:10Z)
• Physics-Guided Diffusion Transformer with Spherical Harmonic Posterior Sampling for High-Fidelity Angular Super-Resolution in Diffusion MRI [10.521817442478543]
  物理誘導拡散変換器 (PGDiT) を導入し, トレーニング段階と推論段階の両方において, 物理的先行を探索する。 トレーニング中、bベクトル変調とランダム角マスキングを備えたQ-space Geometry-Aware Module (QGAM)は、方向対応表現学習を容易にする。 推測では、2段階の球高調波誘導後サンプリング(SHPS)が取得したデータとの整合を強制し、続いて熱拡散に基づく正則化によって物理的に妥当な再構成が保証される。
  論文  参考訳（メタデータ） (2025-09-07T04:31:58Z)
• MaRS: A Fast Sampler for Mean Reverting Diffusion based on ODE and SDE Solvers [12.639167101005695]
  平均回帰(MR)拡散は微分方程式(SDE)の構造を直接修飾する 現在のトレーニングフリーの高速サンプリング器はMR拡散には直接適用されない。 MR拡散のサンプリングNFEを削減するために,MARS (MR Sampler) という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-11T14:57:33Z)
• Unsupervised Multi-Parameter Inverse Solving for Reducing Ring Artifacts in 3D X-Ray CBCT [51.95884144860506]
  3次元コーンビームCT(CBCT)におけるリングアーティファクトの意義 既存のSOTA(State-of-the-art)リングアーティファクトリダクション(RAR)法は、大規模なペアCTデータセットによる教師あり学習に依存している。 本研究では,新しい教師なしRAR手法であるRinerを提案する。
  論文  参考訳（メタデータ） (2024-12-08T08:22:58Z)
• Highly Accelerated MRI via Implicit Neural Representation Guided Posterior Sampling of Diffusion Models [2.5412006057370893]
  Inlicit Neural representation (INR) は、逆問題を解決するための強力なパラダイムとして登場した。 提案するフレームワークは、他の医療画像タスクにおける逆問題を解決するための一般化可能なフレームワークである。
  論文  参考訳（メタデータ） (2024-07-03T01:37:56Z)
• Deep Equilibrium Diffusion Restoration with Parallel Sampling [120.15039525209106]
  拡散モデルに基づく画像復元(IR)は、拡散モデルを用いて劣化した画像から高品質な(本社)画像を復元し、有望な性能を達成することを目的としている。 既存のほとんどの手法では、HQイメージをステップバイステップで復元するために長いシリアルサンプリングチェーンが必要であるため、高価なサンプリング時間と高い計算コストがかかる。 本研究では,拡散モデルに基づくIRモデルを異なる視点,すなわちDeqIRと呼ばれるDeQ(Deep equilibrium)固定点系で再考することを目的とする。
  論文  参考訳（メタデータ） (2023-11-20T08:27:56Z)
• SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
  拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。 推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。 拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
  論文  参考訳（メタデータ） (2023-10-03T05:05:35Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)

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。