論文の概要: NexOP: Joint Optimization of NEX-Aware k-space Sampling and Image Reconstruction for Low-Field MRI

• arxiv url: http://arxiv.org/abs/2605.11583v1
• Date: Tue, 12 May 2026 06:06:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.620029
• Title: NexOP: Joint Optimization of NEX-Aware k-space Sampling and Image Reconstruction for Low-Field MRI
• Title（参考訳）: NexOP:低磁場MRIにおけるNEX対応k空間サンプリングと画像再構成の併用最適化
• Authors: Tal Oved, Efrat Shimron,
• Abstract要約: 低磁場MRI(low-field magnetic resonance imaging)技術は、ポータブルで低コストなシステムを備えた標準の高磁場MRIに代わる魅力的な代替手段を提供する。 低いSNR(Signal-to-Noise Ratio)によって制限されており、診断画像の品質を損なう。 SNRを増大させる一般的なアプローチは、NEXとして知られる繰り返し信号の取得であるが、これは過度に長いスキャン期間をもたらす。 NexOPは、NEX取得におけるサンプリングと再構成の協調最適化のためのディープラーニングフレームワークである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern low-field magnetic resonance imaging (MRI) technology offers a compelling alternative to standard high-field MRI, with portable, low-cost systems. However, its clinical utility is limited by a low Signal-to-Noise Ratio (SNR), which hampers diagnostic image quality. A common approach to increase SNR is through repetitive signal acquisitions, known as NEX, but this results in excessively long scan durations. Although recent work has introduced methods to accelerate MRI scans through k-space sampling optimization, the NEX dimension remains unexploited; typically, a single sampling mask is used across all repetitions. Here we introduce NexOP, a deep-learning framework for joint optimization of the sampling and reconstruction in multi-NEX acquisitions, tailored for low-SNR settings. NexOP enables optimizing the sampling density probabilities across the extended k-space-NEX domain, under a fixed sampling-budget constraint, and introduces a new deep-learning architecture for reconstructing a single high-SNR image from multiple low-SNR measurements. Experiments with raw low-field (0.3T) brain data demonstrate that NexOP consistently outperforms competing methods, both quantitatively and qualitatively, across diverse acceleration factors and tissue contrasts. The results also demonstrate that NexOP yields non-uniform sampling strategies, with progressively decreasing sampling across repetitions, hence exploiting the NEX dimension efficiently. Moreover, we present a theoretical analysis supporting these numerical observations. Overall, this work proposes a sampling-reconstruction optimization framework highly suitable for low-field MRI, which can enable faster, higher-quality imaging with low-cost systems and contribute to advancing affordable and accessible healthcare.
• Abstract（参考訳）: 現代の低磁場磁気共鳴イメージング(MRI)技術は、ポータブルで低コストなシステムを備えた標準の高磁場MRIに代わる魅力的な代替手段を提供する。 しかし、その臨床的有用性は、診断画像の品質を損なうSNR(Signal-to-Noise Ratio)によって制限されている。 SNRを増大させる一般的なアプローチは、NEXとして知られる繰り返し信号の取得であるが、これは過度に長いスキャン期間をもたらす。 最近の研究は、k空間サンプリング最適化を通じてMRIスキャンを高速化する手法を導入しているが、NEX次元は未解明のままであり、通常、すべての繰り返しにわたって単一のサンプリングマスクが使用される。 ここでは,低SNR設定に適したマルチNEX取得におけるサンプリングと再構成の協調最適化のためのディープラーニングフレームワークであるNexOPを紹介する。 NexOPは、固定されたサンプリング予算制約の下で、拡張k空間-NEX領域のサンプリング密度確率を最適化し、複数の低SNR測定から単一の高SNRイメージを再構成する新しいディープラーニングアーキテクチャを導入する。 生のローフィールド(0.3T)脳データを用いた実験では、NEXOPは様々な加速度因子と組織コントラストをまたいで、定量的に、質的に、競合する手法よりも一貫して優れていた。 また、NexOPは非一様サンプリング戦略を導出し、繰り返しのサンプリングを徐々に減らし、NEX次元を効率的に活用することを示した。 さらに,これらの数値観測を裏付ける理論的解析を行った。 全体として、低磁場MRIに適したサンプリング再構成最適化フレームワークを提案し、低コストシステムによる高速で高品質なイメージングを可能にし、安価で手頃な医療の進歩に寄与する。

関連論文リスト

• Low-Field Magnetic Resonance Image Quality Enhancement using a Conditional Flow Matching Model [0.3683202928838613]
  条件付きフローマッチング(CFM)は、雑音分布と目標データ分布の間の連続的な流れを学習する。 本フレームワークは,対応する低フィールド入力から高フィールド型MR画像を再構成するように設計されている。 実験により、CFMは最先端の性能を達成するが、分布内データと分布外データの両方に頑健に一般化することを示した。
  論文  参考訳（メタデータ） (2025-10-14T11:41:27Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• 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)
• Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
  高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。 Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。 この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
  論文  参考訳（メタデータ） (2023-07-12T00:01:00Z)
• A scan-specific unsupervised method for parallel MRI reconstruction via implicit neural representation [9.388253054229155]
  暗黙的神経表現(INR)は、物体の内部連続性を学ぶための新しいディープラーニングパラダイムとして登場した。 提案手法は,アーティファクトやノイズのエイリアスを抑えることにより,既存の手法よりも優れる。 良質な結果と走査特異性により,提案手法は並列MRIのデータ取得をさらに加速させる可能性を秘めている。
  論文  参考訳（メタデータ） (2022-10-19T10:16:03Z)
• SiNeRF: Sinusoidal Neural Radiance Fields for Joint Pose Estimation and Scene Reconstruction [147.9379707578091]
  NeRFmmは、共同最適化タスクを扱うNeRF(Neural Radiance Fields)である。 NeRFmmは正確なシーン合成とポーズ推定を行うが、難しいシーンで完全に注釈付けされたベースラインを上回るのに苦戦している。 放射光マッピングにおける正弦波活性化を利用する正弦波ニューラルレイディアンス場(SiNeRF)と、効率よく光束を選択するための新しい混合領域サンプリング(MRS)を提案する。
  論文  参考訳（メタデータ） (2022-10-10T10:47:51Z)
• 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)
• Towards learned optimal q-space sampling in diffusion MRI [1.5640063295947522]
  ファイバトラクトグラフィーのための統一的な推定フレームワークを提案する。 提案手法は,信号推定の精度とそれに続く解析精度を大幅に向上させる。 本稿では,Human Connectome Projectデータに基づく包括的比較分析を提案する。
  論文  参考訳（メタデータ） (2020-09-07T10:46:12Z)

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。