論文の概要: MK-ResRecon: Multi-Kernel Residual Framework for Texture-Aware 3D MRI Refinement from Sparse 2D Slices

• arxiv url: http://arxiv.org/abs/2605.03432v1
• Date: Tue, 05 May 2026 07:12:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.812363
• Title: MK-ResRecon: Multi-Kernel Residual Framework for Texture-Aware 3D MRI Refinement from Sparse 2D Slices
• Title（参考訳）: MK-ResRecon: スパース2次元スライスからのテクスチャ認識3次元MRI再構成のためのマルチカーネル残像フレームワーク
• Authors: Prajyot Pyati, Sapna Sachan, Amulya Kumar Mahto, Pranjal Phukan,
• Abstract要約: スパースサンプリングされた2次元スライスから高忠実度3次元MRIボリュームを再構成する2つのモデルを提案する。 予測スライスと元のスパーススライスを1つの3次元体積として精製し,スムーズな解剖学的構造を得る。 この研究は、高度にスパースな入力から3D MRIを再構築するための正確で幻覚のない、汎用的で臨床的に検証されたフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic Resonance Imaging (MRI) acquisition remains a time-intensive and patient-straining process, as prolonged scan dura- tions increase the likelihood of motion artifacts, which degrade image quality and frequently require repeated scans. To address these chal- lenges, we propose a novel framework with two models MK-ResRecon and IdentityRefineNet3D to reconstruct high-fidelity 3D MRI volumes from sparsely sampled 2D slices-requiring only 12.5% of the axial slices for full resolution 3D reconstruction. MK-ResRecon predicts missing in- termediate 2D slices using a multi-kernel texture-aware loss, preserving fine anatomical details. IdentityRefineNet3D refines the predicted slices and the original sparse slices as a single 3D volume to obtain a smooth anatomical structure. We train the models on a large T1-sequence POST- contrast brain MRI dataset and evaluate on a large heterogeneous brain MRI cohort. The work provides accurate, hallucination-free, generaliz- able and clinically validated framework for 3D MRI reconstruction from highly sparse inputs and enables a clinically viable path towards faster and more patient-friendly MRI imaging.
• Abstract（参考訳）: 磁気共鳴画像(MRI)の取得は、長いスキャンダライオンが画像の品質を低下させ、頻繁にスキャンを必要とする運動アーティファクトの可能性を増大させるため、時間を要する、患者を訓練するプロセスのままである。 シャールレンジに対処するため,2つのモデルMK-ResReconとIdentityRefineNet3Dを用いた新しいフレームワークを提案する。 MK-ResReconは、マルチカーネルテクスチャ認識損失を使用して、終端2Dスライスを欠いていることを予測し、微細な解剖学的詳細を保存する。 IdentityRefineNet3Dは、予測スライスと元のスパースススライスを単一の3Dボリュームとして洗練し、スムーズな解剖学的構造を得る。 我々は,大規模なT1系列のPOST-コントラスト脳MRIデータセットでモデルを訓練し,大きなヘテロジニアス脳MRIコホートで評価する。 この研究は、高度にスパースな入力から3D MRIを再構築するための正確で幻覚のない、汎用的で臨床的に検証されたフレームワークを提供し、より速く、より患者に優しいMRI画像への臨床的に実行可能な道筋を可能にする。

関連論文リスト

• Multimodal Visual Surrogate Compression for Alzheimer's Disease Classification [69.87877580725768]
  MVSC(Multimodal Visual Surrogate Compression)は、大規模な3D sMRIボリュームをコンパクトな2D機能に圧縮し、適応させることを学ぶ。 MVSCには2つの重要なコンポーネントがある: テキストガイダンスの下でグローバルなクロススライスコンテキストをキャプチャするボリュームコンテキストと、テキストエンハンスでパッチワイズな方法でスライスレベルの情報を集約するAdaptive Slice Fusionモジュール。
  論文  参考訳（メタデータ） (2026-01-29T13:05:46Z)
• Fast Multi-Stack Slice-to-Volume Reconstruction via Multi-Scale Unrolled Optimization [6.712738779940082]
  本稿では,複数の2次元スライススタックを融合してコヒーレントな3次元構造を復元する高速畳み込みフレームワークを提案する。 胎児脳MRIを用いて, 高品質な3Dボリュームを10秒未満で再構成し, 1sスライス登録と精度を最先端の反復SVRパイプラインと比較した。
  論文  参考訳（メタデータ） (2026-01-12T13:18:49Z)
• MedTet: An Online Motion Model for 4D Heart Reconstruction [59.74234226055964]
  本研究は, 術後の軽度データから3次元心臓運動を再構築するための新しいアプローチを提案する。 既存の方法では、フル3次元の体積像から3次元の臓器のジオメトリーを正確に再構築することができる。 このような部分的データから3次元運動を再構築するための汎用的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-03T17:18:33Z)
• X-Diffusion: Generating Detailed 3D MRI Volumes From a Single Image Using Cross-Sectional Diffusion Models [9.97747208739885]
  X-拡散(X-Diffusion)は、空間領域入力から詳細な3次元MRIボリュームを再構成する新しい断面積拡散モデルである。 X-Diffusionの重要な側面は、MRIデータを横断的なトレーニングと推論の間、全体的な3Dボリュームとしてモデル化することである。 以上の結果から,X-Diffusionは定量精度(PSNR)に優れるだけでなく,重要な解剖学的特徴を保っていることが示唆された。
  論文  参考訳（メタデータ） (2024-04-30T14:53:07Z)
• Generative Enhancement for 3D Medical Images [74.17066529847546]
  本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。 本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-03-19T15:57:04Z)
• Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
  視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。 事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。 実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T09:43:19Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• 3D Reconstruction of Curvilinear Structures with Stereo Matching DeepConvolutional Neural Networks [52.710012864395246]
  本稿では,立体対における曲線構造の検出とマッチングのための完全自動パイプラインを提案する。 主に、TEM画像のステレオ対から転位を3次元再構成することに焦点を当てる。
  論文  参考訳（メタデータ） (2021-10-14T23:05:47Z)
• Accelerating 3D MULTIPLEX MRI Reconstruction with Deep Learning [7.85035197356331]
  マルチフリップ角(FA)とマルチエコレックスGRE法(MULTIP MRI)は1つのスキャンで同時に複数のパラメトリック画像を取得するために開発された。 3次元MRIデータ再構築のための深層学習フレームワークを提案する。 提案する深層学習法は,画像品質と再構成時間において良好な性能を示す。
  論文  参考訳（メタデータ） (2021-05-17T21:06:14Z)

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。