論文の概要: Robustness of breast lesion segmentation under MRI undersampling improves with k-space-aware deep learning

• arxiv url: http://arxiv.org/abs/2605.22327v1
• Date: Thu, 21 May 2026 11:18:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.221432
• Title: Robustness of breast lesion segmentation under MRI undersampling improves with k-space-aware deep learning
• Title（参考訳）: K-space-aware Deep Learning によるMRIアンダーサンプリング下乳房病変分節のロバスト性の改善
• Authors: Lukas T. Rotkopf, Marco Schlimbach, Julius C. Holzschuh, Heinz-Peter Schlemmer, Jens Kleesiek, Moritz Rempe,
• Abstract要約: 胸部ダイナミックコントラスト強調画像(DCE-MRI)を用いた。 我々は、4つの3D U-Net 変種を比較した: ハイブリッドk-スペース・ツー・イメージモデル、ネイティブk-スペースモデル、等級と複雑な画像空間のベースライン。
• 参考スコア（独自算出の注目度）: 5.607856395307391
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Purpose: To assess whether breast lesion segmentation can be learned directly from acquired MRI k-space, and whether doing so improves robustness when data are accelerated or noisy. Materials and Methods: This retrospective study used public breast dynamic contrast-enhanced MRI (DCE-MRI) datasets with acquired and synthetic k-space, together with a within-dataset synthetic control. We compared four 3D U-Net variants: a hybrid k-space-to-image model, a native k-space model, and magnitude and complex image-space baselines. Models were evaluated under increasing undersampling and added complex Gaussian k-space noise. The primary outcome was patient-level Dice similarity coefficient under cross-validation, with the hybrid model prespecified as the main comparison against the magnitude image-space baseline. Results: At full sampling, the hybrid and image-space models performed similarly. As acceleration increased, the hybrid model retained substantially more segmentation accuracy and significantly outperformed the magnitude image-space baseline across moderate to high undersampling levels. The same pattern was observed when noise was added directly to k-space: the hybrid model degraded more slowly, whereas the image-space baseline failed under heavier noise. This advantage was reproduced in the within-dataset synthetic control. Feature analysis suggested that the k-space stage and image-space stage played complementary roles, with frequency-domain filtering concentrated before image-domain lesion localization. Conclusion: K-space-aware deep learning improves the robustness of breast lesion segmentation under MRI undersampling and k-space noise, while matching image-space methods at full sampling.
• Abstract（参考訳）: 目的: 取得したMRI領域から直接乳房病変のセグメンテーションを学べるか否か, あるいは, データが加速されたときやうるさいときのロバスト性を改善するかを評価すること。 材料と方法:本研究は,母乳のダイナミックコントラスト強調画像(DCE-MRI)データセットと,取得した合成k空間,およびデータセット内合成制御を用いて行った。 我々は、4つの3D U-Net 変種を比較した: ハイブリッドk-スペース・ツー・イメージモデル、ネイティブk-スペースモデル、等級と複雑な画像空間のベースライン。 モデルはアンダーサンプリングの増加の下で評価され、複雑なガウスk空間ノイズが追加された。 その結果, クロスバリデーション条件下での患者レベルのDice類似度係数は, 画像空間ベースラインの大きさに対する主比較として, ハイブリッドモデルによって規定された。 結果: 全サンプリングでは,ハイブリッドモデルと画像空間モデルも同様に動作した。 加速度が増加するにつれて、ハイブリッドモデルはセグメンテーション精度を著しく向上させ、中等度から高いアンダーサンプリングレベルにわたって画像空間の基準線を著しく上回った。 k-スペースに直接ノイズを加えると、同じパターンが観察され、ハイブリッドモデルは劣化が遅くなり、画像空間のベースラインは重いノイズの下で失敗する。 この利点は、内部データセット合成制御において再現された。 特徴分析の結果,k領域のステージと画像領域のステージは相補的な役割を担い,周波数領域のフィルタリングは画像領域の病変の局在前に集中していた。 結語: K-space-aware Deep Learningは、MRIアンダーサンプリングとk-space noiseの下での乳房病変のセグメンテーションの堅牢性を改善し、フルサンプリングで画像空間法とマッチングする。

関連論文リスト

• Low-Field Magnetic Resonance Image Enhancement using Undersampled k-Space [1.2599533416395765]
  超解像低磁場MR画像に対して,k空間で直接動作するU-Net変種に基づく新しいディープラーニングフレームワークを提案する。 本結果から, アンサンプ付きk空間再構成は, 完全k空間獲得に匹敵する品質を実現することが示された。
  論文  参考訳（メタデータ） (2026-03-14T21:25:46Z)
• Low-Field Magnetic Resonance Image Quality Enhancement using Undersampled k-Space and Out-of-Distribution Generalisation [1.376408511310322]
  アンサンプされた低磁場MRIk空間から直接高磁場MRI像を再構成する新しい枠組みを提案する。 この研究は、低磁場MR画像再構成、アンダーサンプルk空間による品質向上、統一されたフレームワークにおける不確実な定量化を組み込んだ最初のものの一つである。
  論文  参考訳（メタデータ） (2026-03-14T21:11:30Z)
• Direct low-field MRI super-resolution using undersampled k-space [1.376408511310322]
  アンサンプされた低磁場k空間から直接高磁場MRライクな画像を再構成するための新しいフレームワークを提案する。 提案手法では, アンダーサンプされたk空間の実および虚構成分を処理し, 欠落した周波数コンテンツを復元するk空間二重チャネルU-Netを用いる。
  論文  参考訳（メタデータ） (2026-02-28T14:23:31Z)
• On the Shape of Latent Variables in a Denoising VAE-MoG: A Posterior Sampling-Based Study [51.56484100374058]
  ガウス前駆体 (VAE-MoG) を用いた変分オートエンコーダの潜時空間を探索する。 モデルが基盤構造をどれだけうまく捉えているかを評価するために、ハミルトンモンテカルロ (HMC) を用いて、クリーンな入力で条件付けられた後続サンプルを描画し、ノイズの多いデータからエンコーダの出力と比較する。 モデルは正確に信号を再構成するが、統計的比較により、潜在空間における明らかなミスマッチが明らかになる。
  論文  参考訳（メタデータ） (2025-09-29T18:33:09Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• Global k-Space Interpolation for Dynamic MRI Reconstruction using Masked Image Modeling [10.74920257710449]
  ダイナミックMRI(Dynamic Magnetic Imaging)では、k空間はスキャン時間に制限があるためアンサンプされることが多い。 我々は,k-GINと呼ばれるトランスフォーマーベースのk空間グローバル補間ネットワークを提案する。 我々のk-GINは、2D+t k空間の低周波成分と高周波成分のグローバル依存関係を学習し、アンサンプされたデータを補間する。
  論文  参考訳（メタデータ） (2023-07-24T10:20:14Z)
• 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)
• FastHyMix: Fast and Parameter-free Hyperspectral Image Mixed Noise Removal [20.043152870504738]
  本稿では,高速かつパラメータフリーなハイパースペクトル画像混合ノイズ除去法(FastHyMix)を提案する。 これは、スペクトル領域における低ランク性と空間領域における高相関性という、ハイパースペクトルデータの2つの主要な特徴を利用する。 提案手法は,サブスペース表現とHSIの相関を利用して,より強力な深度画像を追加することで低ランク化を実現する。
  論文  参考訳（メタデータ） (2021-09-18T08:35:45Z)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)
• Residual-driven Fuzzy C-Means Clustering for Image Segmentation [152.609322951917]
  画像分割のための残留駆動型ファジィC平均(FCM)について詳述する。 この枠組みに基づいて,混合雑音分布の重み付けによる重み付き$ell_2$-norm忠実度項を示す。 その結果、既存のFCM関連アルゴリズムよりも提案アルゴリズムの有効性と効率が優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-15T15:46:09Z)
• Residual-Sparse Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet frames [146.63177174491082]
  Fuzzy $C$-Means (FCM)アルゴリズムは、形態的再構成操作とタイトウェーブレットフレーム変換を組み込んでいる。 特徴集合とその理想値の間の残差に対して$ell_0$正規化項を付与することにより、改良されたFCMアルゴリズムを提案する。 合成, 医用, カラー画像に対する実験結果から, 提案アルゴリズムは効率的かつ効率的であり, 他のアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-14T10:00:03Z)

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。