論文の概要: ULF-Synth: Physics-Guided Ultra-Low-Field MRI Enhancement for Pediatric Neuroimaging

• arxiv url: http://arxiv.org/abs/2605.24625v1
• Date: Sat, 23 May 2026 15:33:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.281049
• Title: ULF-Synth: Physics-Guided Ultra-Low-Field MRI Enhancement for Pediatric Neuroimaging
• Title（参考訳）: ULF-synth:物理誘導型超低磁場MRIによる小児神経画像診断
• Authors: Toufiq Musah, Salvatore Calcagno, Federica Proietto Salanitri, Xiaomeng Li, Maruf Adewole, Marawan Elbatel,
• Abstract要約: Ultra-low-field (ULF) MRIは、ポータブルでアクセス可能なニューロイメージングを提供するが、信号対雑音比の低下と空間分解能の制限に悩まされている。 ULF-Synthは,HFボリュームからのリアルなULF画像の取得に基づく合成と,大規模なペアリングトレーニングデータの作成を組み合わせたフレームワークである。 合成データに特化して訓練すると、得られたモデルは64mT ULFの実際の取得に効果的に一般化される。
• 参考スコア（独自算出の注目度）: 11.389464090273849
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ultra-low-field (ULF) MRI offers portable and accessible neuroimaging but suffers from reduced signal-to-noise ratio and limited spatial resolution compared to high-field (HF) systems. Acquiring paired ULF-HF data for supervised enhancement is often difficult, particularly in resource-limited settings. We introduce ULF-Synth, a framework that combines: (i) acquisition-based synthesis of realistic ULF images from HF volumes to create large-scale paired training data, (ii) a spatial-frequency domain objective that prioritizes recovery of high-frequency anatomical detail. This formulation is architecture-agnostic, consistently improving structural similarity and perceptual fidelity across encoder-decoder, adversarial, and diffusion-based translation models. When trained exclusively on synthetic data, the resulting models generalize effectively to real 64mT ULF acquisitions, improving downstream multiclass brain segmentation and achieving higher radiologist preference and diagnostic acceptability in a blinded reader study. These findings demonstrate that synthetic paired supervision provides a practical and scalable pathway for enhancing ULF MRI without requiring real paired acquisitions. Code, Models and Dataset: https://github.com/toufiqmusah/ULF-Synth
• Abstract（参考訳）: Ultra-low-field (ULF) MRIは、ポータブルでアクセス可能なニューロイメージングを提供するが、高磁場 (HF) システムと比較して、信号と雑音の比が減少し、空間分解能が制限される。 教師付きエンハンスメントのためのペア付きULF-HFデータを取得することは、特にリソース制限設定において、しばしば困難である。 組み合わせたフレームワークであるULF-Synthを紹介します。 (i)HFボリュームからのリアルなULF画像の取得に基づく合成により、大規模ペアトレーニングデータを作成する。 (II)高周波解剖学的詳細の回復を優先する空間周波数領域の目的 この定式化はアーキテクチャに依存しず、エンコーダ・デコーダ、逆数、拡散に基づく翻訳モデル間の構造的類似性と知覚的忠実性を一貫して改善する。 合成データに特化してトレーニングを行うと、得られたモデルは64mT ULFの実際の取得に効果的に一般化され、下流のマルチクラス脳のセグメンテーションを改善し、失明者による研究において放射線学的嗜好と診断の受容性を向上する。 以上の結果から, 人工一対監視は, ULF MRIの実践的でスケーラブルな経路であり, 実際の一対取得を必要としないことが示唆された。 コード、モデル、データセット:https://github.com/toufiqmusah/ULF-Synth

関連論文リスト

• Subject-Specific Low-Field MRI Synthesis via a Neural Operator [6.717142673853984]
  低磁場(LF)MRIは、アクセシビリティを改善し、コストを削減するが、高磁場(HF)MRIと比較して信号対雑音比が低く、コントラストが劣化している。 既存の低磁場シミュレータはノイズ注入と平滑化に依存しており、LF取得で見られるコントラスト劣化を捉えることができない。 少数のHF-LFMRIからHFからLFへの分解を直接学習するエンドツーエンドのLF-MRIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-26T03:01:03Z)
• IHF-Harmony: Multi-Modality Magnetic Resonance Images Harmonization using Invertible Hierarchy Flow Model [3.4718032510023438]
  振り返りMRIハーモニゼーションは、モダリティを越えたスケーラビリティの低さと、走行対象データセットへの依存によって制限される。 IHF-Harmonyは、アンペアデータを用いた多モード調和のための統一的非可逆階層フローフレームワークである。 IHF-Harmonyは、解剖学的忠実度と下流タスクパフォーマンスの両方において、既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-25T03:46:12Z)
• NeuroRVQ: Multi-Scale EEG Tokenization for Generative Large Brainwave Models [66.91449452840318]
  我々は、コードブックベースのトークン化装置を中心としたスケーラブルな大脳波モデル(LBM)であるNeuroRVQを紹介する。 我々のトークンライザは, (i) フル周波数のニューラルスペクトルを捕捉するマルチスケール特徴抽出モジュール, (ii) 高精細符号化のための階層的残留ベクトル量子化(RVQ)コードブック, (iii) 効率的なトレーニングのためのEEG信号位相および振幅認識損失関数を統合する。 実験の結果,NeuroRVQは再建誤差を低くし,様々な下流タスクにおいて既存のLBMよりも優れることがわかった。
  論文  参考訳（メタデータ） (2025-10-15T01:26:52Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• T2I-Diff: fMRI Signal Generation via Time-Frequency Image Transform and Classifier-Free Denoising Diffusion Models [10.21645911536505]
  本稿では,BOLD信号の時間周波数表現を利用するfMRI生成フレームワークであるT2I-Diffを紹介する。 ダウンストリームfMRIを用いた脳ネットワーク分類において,精度の向上と一般化を実証した。
  論文  参考訳（メタデータ） (2025-09-25T07:08:19Z)
• High-Fidelity Functional Ultrasound Reconstruction via A Visual Auto-Regressive Framework [58.07923338080814]
  機能的神経側頭葉イメージングはマッピングに例外的な解像度を提供する。 しかし、その実践的応用は重大な課題によって妨げられている。 データ不足、倫理的考慮、信号劣化などが含まれる。
  論文  参考訳（メタデータ） (2025-05-23T15:27:17Z)
• Brain Network Diffusion-Driven fMRI Connectivity Augmentation for Enhanced Autism Spectrum Disorder Diagnosis [12.677178802864029]
  fMRIデータ取得とラベル付けのコストが高いため、fMRIデータの量は少ないことが多い。 生成モデル、特に拡散モデルの増加に伴い、実際のデータ分布に近い現実的なサンプルを生成する能力は、データ拡張に広く利用されている。
  論文  参考訳（メタデータ） (2024-09-11T08:02:57Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• Transferring Ultrahigh-Field Representations for Intensity-Guided Brain Segmentation of Low-Field Magnetic Resonance Imaging [51.92395928517429]
  7T MRIの使用は、低磁場MRIと比較して高コストでアクセシビリティが低いため制限されている。 本研究では,入力されたLF磁気共鳴特徴表現と,脳画像分割タスクのための7T様特徴表現とを融合したディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T12:21:06Z)
• A Generative Self-Supervised Framework using Functional Connectivity in fMRI Data [15.211387244155725]
  機能的磁気共鳴イメージング(fMRI)データから抽出した機能的接続性(FC)ネットワークを訓練したディープニューラルネットワークが人気を博している。 グラフニューラルネットワーク(GNN)のFCへの適用に関する最近の研究は、FCの時間変化特性を活用することにより、モデル予測の精度と解釈可能性を大幅に向上させることができることを示唆している。 高品質なfMRIデータとそれに対応するラベルを取得するための高コストは、実環境において彼らのアプリケーションにハードルをもたらす。 本研究では,動的FC内の時間情報を効果的に活用するためのSSL生成手法を提案する。
  論文  参考訳（メタデータ） (2023-12-04T16:14:43Z)

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。