Fugu-MT 論文翻訳(概要): Disentangled Learning Improves Implicit Neural Representations for Medical Reconstruction

論文の概要: Disentangled Learning Improves Implicit Neural Representations for Medical Reconstruction

arxiv url: http://arxiv.org/abs/2605.04234v1
Date: Tue, 05 May 2026 19:21:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-07 18:41:07.507001
Title: Disentangled Learning Improves Implicit Neural Representations for Medical Reconstruction
Title（参考訳）: 遠方学習は医療再建に欠かせない神経表現を改善する
Authors: Qing Wu, Xuanyu Tian, Chenhe Du, Haonan Zhang, Xiao Wang, Le Lu, Yuyao Zhang,
Abstract要約: Inlicit Neural representations (INRs) は、物理インフォームド・アン教師なし学習による医用画像の強力なパラダイムとして登場した。本稿では,共有表現と主観表現を明示的に切り離す新しいINRフレームワークであるDisINRを提案する。
参考スコア（独自算出の注目度）: 32.058812894769616
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Implicit neural representations (INRs) have emerged as a powerful paradigm for medical imaging via physics-informed unsupervised learning. Classical INRs optimize an entire network from scratch for each subject, leading to inefficient training and suboptimal imaging quality. Recent initialization-based approaches attempt to inject population priors into pre-trained networks, yet they rely on high-quality images and often suffer from catastrophic forgetting during fine-tuning. We present DisINR, a novel INR framework that explicitly disentangles shared and subject-specific representations. DisINR introduces a shared encoder-decoder pair and subject-specific encoders, whose features are jointly decoded for image reconstruction. By integrating differentiable forward models, it pre-trains the shared modules directly from limited raw measurements, removing the need for pre-acquired high-quality images. During test-time adaptation, only the subject-specific encoder is optimized, while the shared pair remains frozen, effectively preserving learned priors. Extensive evaluations on three representative medical imaging tasks show that DisINR significantly outperforms state-of-the-art INRs in both reconstruction accuracy and efficiency.
Abstract（参考訳）: Inlicit Neural representations (INRs) は、物理インフォームド・アン教師なし学習による医用画像の強力なパラダイムとして登場した。古典的なINRは、各被験者のスクラッチからネットワーク全体を最適化し、非効率なトレーニングと準画像品質をもたらす。最近の初期化に基づくアプローチは、事前訓練されたネットワークに人口の先行を注入しようとするが、高品質な画像に依存し、微調整中に破滅的な忘れ込みに悩まされることが多い。本稿では,共有表現と主観表現を明示的に切り離す新しいINRフレームワークであるDisINRを提案する。 DisINRは共有エンコーダ-デコーダペアと主題固有のエンコーダを導入し、特徴は画像再構成のために共同でデコードされる。差別化可能なフォワードモデルを統合することで、限られた生測値から直接共有モジュールを事前訓練し、事前取得された高品質な画像の必要性を取り除く。テスト時間適応中は、被験者固有のエンコーダのみを最適化し、共有ペアは凍結状態のままであり、学習前を効果的に保存する。 3つの代表的な医用画像タスクに対する広範囲な評価は、DisINRが再建精度と効率の両方において最先端のINRよりも著しく優れていることを示している。

関連論文リスト

PrIINeR: Towards Prior-Informed Implicit Neural Representations for Accelerated MRI [2.2265038612930663]
Inlicit Neural Representations (INRs) はMRIの再構成を約束するが、事前の制約が弱いため、高いアクセラレーション要因に悩まされる。我々は、事前学習したディープラーニングモデルからの事前知識をINRフレームワークに統合する、INRに基づくMRI再構成手法PrIINeRを提案する。
論文参考訳（メタデータ） (2025-08-11T14:59:09Z)
NeRF-based CBCT Reconstruction needs Normalization and Initialization [53.58395475423445]
NeRFベースの手法は、ハッシュエンコーダとニューラルネットワークという2つの主要なコンポーネント間の局所的な訓練ミスマッチに悩まされる。特徴整合性を高め、ミスマッチを緩和する正規化ハッシュを導入する。ニューラルネットワークは早期トレーニング中に安定性が向上し、より高速な収束と再構築性能が向上する。
論文参考訳（メタデータ） (2025-06-24T16:01:45Z)
Regularization by Neural Style Transfer for MRI Field-Transfer Reconstruction with Limited Data [2.308563547164654]
ニューラルスタイルトランスファーによる正規化は、磁場-転送再構成を可能にするために、ニューラルスタイルのトランスファーエンジンをデノイザと統合する新しいフレームワークである。実験の結果,RNSTは様々な解剖学的面にまたがって高品質な画像を再構成できることを示した。
論文参考訳（メタデータ） (2023-08-21T18:26:35Z)
Disruptive Autoencoders: Leveraging Low-level features for 3D Medical Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2023-07-31T17:59:42Z)
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)
Adaptive Diffusion Priors for Accelerated MRI Reconstruction [0.9895793818721335]
ディープMRI再構成は、完全にサンプリングされたデータと整合したイメージを復元するために、アンサンプされた取得をデエイリアス化する条件付きモデルで一般的に行われる。非条件モデルは、画像演算子に関連する領域シフトに対する信頼性を向上させるために、演算子から切り離された生成画像の事前を学習する。本稿では,MRI 再構成に先立つ適応拡散 AdaDiff を提案する。
論文参考訳（メタデータ） (2022-07-12T22:45:08Z)
Federated Learning of Generative Image Priors for MRI Reconstruction [5.3963856146595095]
マルチインスティカルな取り組みは、画像データのクロスサイト共有中にプライバシー上のリスクが発生するにもかかわらず、ディープMRI再構成モデルのトレーニングを容易にする。 FedGIMP (FedGIMP) を用いた新しいMRI再構成法を提案する。 FedGIMPは、2段階のアプローチを利用する: 生成MRIのクロスサイト学習と、イメージングオペレーターの主題固有の注入である。
論文参考訳（メタデータ） (2022-02-08T22:17:57Z)
InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文参考訳（メタデータ） (2021-12-23T15:52:37Z)
Implicit Neural Representations for Image Compression [103.78615661013623]
Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
論文参考訳（メタデータ） (2021-12-08T13:02:53Z)
Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文参考訳（メタデータ） (2021-04-05T13:05:22Z)
Self-Organized Operational Neural Networks for Severe Image Restoration Problems [25.838282412957675]
畳み込みニューラルネットワーク(CNN)に基づく離散学習は、ノイズとクリーンのイメージペアのトレーニング例から学習することで、画像復元を行うことを目的としている。これは畳み込みに基づく変換の本質的な線形性によるものであり、深刻な復元問題に対処するには不十分である。画像復元のための自己組織型ONN(Self-ONN)を提案する。
論文参考訳（メタデータ） (2020-08-29T02:19:41Z)

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。