論文の概要: Enhancing Ultra-low-field MRI with Segmentation-guided Adversarial Learning

• arxiv url: http://arxiv.org/abs/2605.28016v1
• Date: Wed, 27 May 2026 06:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.795547
• Title: Enhancing Ultra-low-field MRI with Segmentation-guided Adversarial Learning
• Title（参考訳）: セグメンテーション誘導型対向学習による超低磁場MRIの実現
• Authors: James Grover, Andrew Phair, Michael Ferraro, David E. J. Waddington,
• Abstract要約: 2025 ULF Enhancement Challenge (ULF-EnC)に応募する。 目標は64mTスキャンから高磁場状のMRIを合成することである。 われわれのパイプラインは解剖学的条件付けとモデルアンサンブルを組み合わせることでULF MRIを増強する。
• 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: Ultra-low-field (ULF) MRI offers portable and low-cost imaging but suffers from poor image quality. To address this, we present our submission to the 2025 ULF Enhancement Challenge (ULF-EnC), where the goal is to synthesise high-field-like MRIs from 64 mT scans. Our pipeline enhances ULF MRI through a combination of anatomical conditioning and model ensembling. We first generate tissue segmentation priors using a Swin UNETR trained solely on challenge-provided data. These priors condition two independent enhancement networks - a CycleGAN and a transformer-based residual enhancement model (T-REX) - each trained to synthesise 3 T-like MRIs. Outputs from both models are combined using a weighted average. Our approach produces enhanced MRIs that were comparable to high-field scans both quantitatively and qualitatively.
• Abstract（参考訳）: Ultra-low-field (ULF) MRIはポータブルで低コストな画像撮影を提供するが、画質の低下に悩まされている。 そこで我々は,64mTスキャンから高磁場MRIを合成することを目的として,2025 ULF Enhancement Challenge (ULF-EnC) を提出した。 われわれのパイプラインは解剖学的条件付けとモデルアンサンブルを組み合わせることでULF MRIを増強する。 まず,Swin UNETRを用いて組織分節前駆体を生成し,その組織分節前駆体を生成する。 これらの事前条件は、2つの独立した拡張ネットワーク - CycleGANとTransformerベースの残留拡張モデル(T-REX) - をそれぞれ3つのTライクなMRIを合成するように訓練されている。 両方のモデルの出力は、重み付き平均を使って結合される。 提案手法は, 定量的, 定性的に高磁場走査に匹敵するMRI画像を生成する。

関連論文リスト

• Mamba-driven MRI-to-CT Synthesis for MRI-only Radiotherapy Planning [4.3531418255555545]
  マンバ (Mamba) は、モダリティ間翻訳のための状態空間モデルである。 We adapt the U-Mamba and the SegMamba architecture, originally proposed for segmentation, to perform cross-modality image generation。 私たちの3D Mambaアーキテクチャは、複雑な特徴と長距離ボリューム依存を効果的に捉え、正確なCT合成を可能にします。
  論文  参考訳（メタデータ） (2026-03-24T14:56:39Z)
• UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
  methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。 我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。 我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
  論文  参考訳（メタデータ） (2026-03-10T05:45:12Z)
• Self-Supervised Weighted Image Guided Quantitative MRI Super-Resolution [0.4757311250629737]
  高分解能 (HR) 定量MRI (qMRI) は, 目的組織の特徴を呈するが, 長期の取得により臨床利用が困難である。 我々は,日常的に取得されたHR強調MRI(wMRI)スキャンをガイダンスとして用いた,qMRI超解像のための物理インフォームド自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-19T14:15:31Z)
• A Physics-Driven Neural Network with Parameter Embedding for Generating Quantitative MR Maps from Weighted Images [25.060349614170953]
  臨床重み付きMRIによる定量的画像合成の精度と一般化性を改善するために,MRIシーケンスパラメータを統合する深層学習に基づくアプローチを提案する。 物理駆動型ニューラルネットワークは、パラメータ埋め込みを介してMRIシーケンスパラメータを直接モデルに埋め込む。
  論文  参考訳（メタデータ） (2025-08-11T16:01:12Z)
• Enhancing Cross-Modality Synthesis: Subvolume Merging for MRI-to-CT Conversion [4.256879489558776]
  我々は,MRI画像からCTを合成するために,高度なSwinUNETRフレームワークを使用している。 予測過程に3次元サブボリュームマージ手法を導入する。
  論文  参考訳（メタデータ） (2024-09-09T18:25:26Z)
• Phy-Diff: Physics-guided Hourglass Diffusion Model for Diffusion MRI Synthesis [45.074243735766]
  本稿では,高画質のdMRIを生成する物理誘導拡散モデルを提案する。 本モデルは拡散過程におけるノイズ進化におけるdMRIの物理原理を紹介する。 実験の結果,本手法は他の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-06-05T07:09:19Z)
• 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)
• Accurate super-resolution low-field brain MRI [0.6501025489527174]
  LFMRI T1重み付きシーケンスから1mm等方性MPRAGE様スキャンを合成するための機械学習アルゴリズムの拡張について報告する。 これらの結果は、LFMRIにおける正常画像および異常画像の検出を高めるための今後の研究の基礎となった。
  論文  参考訳（メタデータ） (2022-02-07T23:57:28Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)

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。