論文の概要: CoilDrop-MRI: Self-supervised physics-guided MRI reconstruction with coil dropout
- arxiv url: http://arxiv.org/abs/2606.00100v1
- Date: Tue, 26 May 2026 02:20:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:27.89046
- Title: CoilDrop-MRI: Self-supervised physics-guided MRI reconstruction with coil dropout
- Title（参考訳）: CoilDrop-MRI:コイルドロップアウトを用いた自己教師型物理誘導MRI再構成
- Authors: Tongxi Song, Ziyu Li, Zihan Li, Wen Zhong, Congyu Liao, Yang Yang, Hua Guo, Wenchuan Wu, Qiyuan Tian,
- Abstract要約: 我々は,コイルワイドドロップアウトを入力に適用したCoilDrop-MRIを提案する。
C CoilDrop-MRIはマルチサイト、マルチフィールド(0.3T, 0.55T, 3T)、マルチモダリティ(T1重み、T2重み、T2重み、T2FLAIR、dMRI)のデータセットで広く検証されている。
- 参考スコア（独自算出の注目度）: 15.971722204925554
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Self-supervised deep learning-based methods have shown great promise for accelerated magnetic resonance imaging (MRI) reconstruction, achieving high image quality without requiring fully sampled data for training. These methods typically partition the acquired data into two disjoint subsets to construct input-target pairs for optimizing the reconstruction network. However, existing approaches perform this partition exclusively within the spatial frequency (k-space) domain, leaving the coil dimension unexplored. To enforce full exploitation of signal correlation across receiver coils, we propose CoilDrop-MRI, which applies coil-wise dropout to the input and uses the dropped data as training targets in a self-supervised framework. This method is integrated into unrolled architectures in both image-domain (SENSE) and k-space (SPIRiT) formulations. We further demonstrate its versatility by extending CoilDrop-MRI to multi-shot, phase-corrected diffusion MRI (dMRI) reconstruction. CoilDrop-MRI is extensively validated on multi-site, multi-field-strength (0.3T, 0.55T, and 3T), and multi-modality (T1-weighted, T2-weighted, T2-FLAIR, and dMRI) datasets and consistently outperforms state-of-the-art self-supervised methods, achieving quality comparable to supervised reconstruction methods without requiring fully sampled reference training data. Moreover, CoilDrop-MRI exhibits strong data efficiency and robust generalization across imaging conditions, establishing it as a practical and versatile framework for self-supervised parallel MRI reconstruction.
- Abstract（参考訳）: 自己教師付き深層学習に基づく手法は、MRI(Accelerated Magnetic resonance Imaging)の再構築に大いに期待でき、訓練に十分なサンプルデータを必要とすることなく、高画質を実現することができる。
これらの方法は典型的には、取得したデータを2つの非結合部分集合に分割して、再構成ネットワークを最適化するための入力とターゲットのペアを構築する。
しかし、既存の手法はこの分割を空間周波数(k-空間)領域内でのみ行い、コイル次元は未探索のままである。
受信機コイル間の信号相関をフル活用するために,コイルワイドドロップアウトを入力に適用したCoilDrop-MRIを提案する。
この手法は、画像領域(SENSE)とk空間(SPIRiT)の2つの定式化において、アンロールアーキテクチャに統合される。
さらに,CoilDrop-MRIをマルチショット・位相補正拡散MRI(dMRI)に拡張することにより,その汎用性を示す。
CoilDrop-MRIは、マルチサイト、マルチフィールド強度(0.3T, 0.55T, 3T)、マルチモダリティ(T1重み、T2重み、T2-FLAIR、dMRI)データセットに対して広範囲に検証されており、完全にサンプリングされた参照トレーニングデータを必要とすることなく、教師付き再構成手法に匹敵する品質を達成する。
さらに、CoilDrop-MRIは、撮像条件全体にわたって強力なデータ効率と堅牢な一般化を示し、自己教師付き並列MRI再構成のための実用的で汎用的なフレームワークとして確立している。
関連論文リスト
- 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) - ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳（メタデータ） (2025-01-08T05:15:43Z) - 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) - A Compact Implicit Neural Representation for Efficient Storage of
Massive 4D Functional Magnetic Resonance Imaging [14.493622422645053]
fMRI圧縮は、複雑な時間的ダイナミクス、低信号-雑音比、複雑な基礎的冗長性のために、ユニークな課題を生んでいる。
Inlicit Neural Representation (INR)に基づくfMRIデータに適した新しい圧縮パラダイムについて報告する。
論文 参考訳（メタデータ） (2023-11-30T05:54:37Z) - Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI
Reconstruction [14.754843942604472]
非カルテシアンMRIの再生を高速化するための完全自己教師型アプローチを提案する。
トレーニングでは、アンダーサンプリングされたデータは、非結合のk空間ドメイン分割に分割される。
画像レベルの自己スーパービジョンでは、元のアンサンプデータから得られる外観整合性を強制する。
論文 参考訳（メタデータ） (2023-02-18T06:11:49Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - DSFormer: A Dual-domain Self-supervised Transformer for Accelerated
Multi-contrast MRI Reconstruction [15.49473622511862]
マルチコントラストMRI(Multi-Contrast MRI)は、複数の相補的な画像モダリティをキャプチャする。
現在のディープラーニングMRI再構成ネットワークは、複数のコントラスト間の冗長性を活用することに重点を置いている。
本稿では,MC-MRIの高速化を目的としたデュアルドメイン自己教師型トランス (DSFormer) を提案する。
論文 参考訳（メタデータ） (2022-01-26T06:52:24Z) - ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。
高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。
パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
論文 参考訳（メタデータ） (2022-01-23T21:58:19Z) - Reference-based Magnetic Resonance Image Reconstruction Using Texture
Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。
変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。
提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文 参考訳（メタデータ） (2021-11-18T03:06:25Z) - Unsupervised MRI Reconstruction via Zero-Shot Learned Adversarial
Transformers [0.0]
Zero-Shot Learned Adrial Transformers (SLATER) を用いた新しい非監視MRI再構成法を提案する。
アンダーサンプルテストデータ上でゼロショット再構成を行い、ネットワークパラメータを最適化して推論を行います。
脳MRIデータセットの実験は、いくつかの最先端の教師なし手法に対してSLATERの優れた性能を明らかに示している。
論文 参考訳（メタデータ） (2021-05-15T02:01:21Z)
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。