論文の概要: MoE-dqINR: A Unified Mixture-of-Experts Implicit Neural Representation Framework for Scan-Specific Dynamic and Quantitative MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2605.31302v1
- Date: Fri, 29 May 2026 13:36:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.639289
- Title: MoE-dqINR: A Unified Mixture-of-Experts Implicit Neural Representation Framework for Scan-Specific Dynamic and Quantitative MRI Reconstruction
- Title（参考訳）: MoE-dqINR:Scan-Specific Dynamic and Quantitative MRIリコンストラクションのためのUnified Mixture-of-Experts Implicit Neural Representation Framework
- Abstract要約: MRI(Underd Magnetic resonance Imaging)は、不完全なマルチコイルk空間データから時間的・コントラスト変化の画像系列を復元する。
既存のスキャン固有の暗黙的神経表現(INR)は、モノリシック座標場、明示的な部分空間、運動または変形モデル、シーケンス固有の定量的信号モデルを使用することが多い。
画像領域の表現を共有空間の専門家と状態条件のルーティング経路に分解する,スキャン固有のマルチコイルMRI再構成フレームワークであるMoE-dqINRを提案する。
- 参考スコア（独自算出の注目度）: 10.062510791924684
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Undersampled magnetic resonance imaging (MRI) reconstruction seeks to recover temporally or contrast-varying image series from incomplete multicoil k-space data while preserving state-dependent fidelity for dynamic and quantitative MRI (qMRI). Existing scan-specific implicit neural representations (INRs) often use monolithic spatiotemporal coordinate fields, explicit subspaces, motion or deformation models, calibration variables, or sequence-specific quantitative signal models. These design choices can limit flexibility in sharing spatial information while adapting image synthesis across acquisition states. Moreover, many INR-based baselines remain computationally demanding, typically requiring per-scan optimization times on the order of hundreds to thousands of seconds. We propose MoE-dqINR, a scan-specific multicoil MRI reconstruction framework that factorizes the image-domain representation into shared spatial experts and a state-conditioned routing pathway. Spatial experts encode reusable coordinate-dependent image content, whereas routing weights, conditioned on ordered acquisition states, synthesize each dynamic frame or contrast state from a common expert bank. The representation is coupled to a multicoil MRI forward model, uses the normalized state index to drive routing in both dynamic and quantitative MRI. By separating shared spatial representation from state-dependent synthesis, the framework provides an image-first architecture for dynamic and quantitative MRI while reducing scan-specific INR optimization to approximately 30 s per scan in our experiments. The proposed formulation establishes state-conditioned mixture-of-experts INR as a scan-specific multicoil MRI reconstruction prior that unifies shared spatial representation, dynamic- and qMRI-specific synthesis, and practical per-scan efficiency.
- Abstract（参考訳）: アンダーサンプド磁気共鳴画像(MRI)再構成は、動的で定量的なMRI(qMRI)のための状態依存忠実さを保ちながら、不完全なマルチコイルk空間データから時間的またはコントラスト変化の画像系列を復元する。
既存のスキャン固有の暗黙的神経表現(INR)は、モノリシックな時空間座標場、明示的な部分空間、運動または変形モデル、校正変数、シーケンス固有の定量的信号モデルを使用することが多い。
これらの設計選択は、取得状態間で画像合成を適応させながら、空間情報を共有する際の柔軟性を制限することができる。
さらに、INRベースのベースラインの多くは、通常、数百から数千秒の順序でスキャンごとの最適化時間を必要とするため、計算的に要求される。
画像領域の表現を共有空間の専門家と状態条件のルーティング経路に分解する,スキャン固有のマルチコイルMRI再構成フレームワークであるMoE-dqINRを提案する。
空間の専門家は、再利用可能な座標依存の画像内容をエンコードするが、ルーティングウェイトは、順序付けられた取得状態に条件付けられ、共通の専門家バンクから各動的フレームまたはコントラスト状態を合成する。
表現はマルチコイルMRIフォワードモデルに結合され、正規化状態インデックスを使用して動的および定量的MRIのルーティングを駆動する。
状態依存合成から共有空間表現を分離することにより、このフレームワークはダイナミックで定量的なMRIのための画像優先アーキテクチャを提供するとともに、スキャン固有のINR最適化を約30秒に短縮する。
提案した定式化は,共有空間表現,動的およびqMRI固有の合成,および実用的なスキャン毎の効率を統一する,スキャン特異的なマルチコイルMRI再構成として,試験条件付き混在INRを確立する。
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) - MRI2Qmap: multi-parametric quantitative mapping with MRI-driven denoising priors [0.0280162601599316]
プラグアンドプレイの定量的再構成フレームワークであるMRI2Qmapを紹介する。
物理取得モデルと、大規模なマルチモーダル重み付きMRIデータセットで事前訓練されたディープ・デノナイズ・オートエンコーダから学んだ事前情報を統合する。
提案手法は,in-vivo およびsimulated acquisitions から高高速化された3次元脳内MRFデータに対して検証を行った。
論文 参考訳（メタデータ） (2026-03-11T21:23:52Z) - 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) - Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。
現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。
テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
論文 参考訳（メタデータ） (2024-09-25T11:14:47Z) - 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) - 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) - Robust Depth Linear Error Decomposition with Double Total Variation and
Nuclear Norm for Dynamic MRI Reconstruction [15.444386058967579]
Compressed Sensing (CS) に基づく動的MRI k-space 再構成にはまだ問題がある。
本稿では,高アンダーサンプリングフーリエ変換(DFT)を用いた高低レート動的MRI再構成モデルを提案する。
動的MRIデータに対する実験は、再構成精度と時間複雑性の両方の観点から、優れた性能を示す。
論文 参考訳（メタデータ） (2023-10-23T13:34:59Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - 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) - CoNeS: Conditional neural fields with shift modulation for multi-sequence MRI translation [5.662694302758443]
マルチシーケンスMRI(Multi-sequence magnetic resonance imaging)は、現代の臨床研究とディープラーニング研究の両方に広く応用されている。
画像取得プロトコルの違いや、患者のコントラスト剤の禁忌が原因で、MRIの1つ以上の配列が欠落することがしばしば起こる。
1つの有望なアプローチは、生成モデルを利用して欠落したシーケンスを合成することであり、これはサロゲート獲得の役割を果たす。
論文 参考訳（メタデータ） (2023-09-06T19:01:58Z) - 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) - 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)
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。