論文の概要: A physics-informed foundation model for quantitative diffusion MRI
- arxiv url: http://arxiv.org/abs/2606.00156v1
- Date: Fri, 29 May 2026 07:26:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.07517
- Title: A physics-informed foundation model for quantitative diffusion MRI
- Title（参考訳）: 物理インフォームド基礎モデルによる定量的拡散MRI
- Abstract要約: 物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。
PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。
これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
- 参考スコア（独自算出の注目度）: 46.74037857287099
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding the human brain requires access to its microscopic tissue architecture. Diffusion magnetic resonance imaging (MRI) provides the only noninvasive window into whole-brain microstructure in vivo, yet reliable quantitative mapping remains confined to specialized research settings requiring dense sampling and optimized acquisition protocols. To address this gap, we present a physics-informed generative microstructure network (PIGMENT) that learns a universal generative prior of human brain microstructure and adapts it zero-shot to each participant's measured data to recover subject-specific maps. Trained on 11375 scans spanning multiple sites, vendors, and field strengths, PIGMENT enabled reliable quantitative mapping for tensor, kurtosis, and NODDI models across external datasets from five independent centers. It remains effective where conventional fitting becomes unreliable, recovering meaningful maps from extremely sparse acquisitions while supporting downstream tractography and structural connectivity mapping. PIGMENT estimates demonstrated strong biological validity, preserving submillimeter cortical microarchitectural patterns and early-childhood white matter developmental trajectories from 10-fold accelerated scans. Furthermore, PIGMENT enables reliable quantitative tensor mapping on cost-efficient low-field systems and the extraction of tumor-related biomarkers using ultra-fast clinical protocols. Together, these results establish PIGMENT as a physics-informed foundation model that extends quantitative diffusion MRI into regimes traditionally too sparse, heterogeneous, or clinically constrained for reliable analysis.
- Abstract（参考訳）: 人間の脳を理解するには、その微細組織構造にアクセスする必要がある。
拡散磁気共鳴イメージング(DMRI)は、生体内において脳全体の微細構造に侵入する唯一の非侵襲窓を提供するが、信頼性の高い定量的マッピングは、高密度サンプリングと最適化された取得プロトコルを必要とする特殊な研究環境に限られている。
このギャップに対処するために、人間の脳の微細構造より先に普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)を提案する。
複数のサイト、ベンダー、フィールドの強度にまたがる11375のスキャンに基づいてトレーニングされたPIGMENTは、5つの独立したセンターから外部データセットにまたがるテンソル、カルトーシス、NODDIモデルの信頼できる定量的マッピングを可能にした。
従来のフィッティングが信頼性の低い場所に留まり、下流のトラクトグラフィーと構造接続マッピングをサポートしながら、極めてスパースな取得から意味のあるマップを復元する。
PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。
さらに, PIGMENTは, 超高速な臨床プロトコルを用いて, 低コスト低磁場システムの定量的テンソルマッピングと腫瘍関連バイオマーカーの抽出を可能にした。
これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析のために臨床的に制約されたレジームに拡張する。
関連論文リスト
- Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。
ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。
MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
論文 参考訳（メタデータ） (2026-06-16T16:22:42Z) - Estimating Brain Activity with High Spatial and Temporal Resolution using a Naturalistic MEG-fMRI Encoding Model [6.157087562708548]
現在の非侵襲的ニューロイメージング技術は、空間分解能と時間分解能の間にトレードオフがある。
我々は,脳磁図(MEG)と機能的磁気共鳴画像(fMRI)を組み合わせたトランスフォーマーベース符号化モデルを開発した。
複数の被験者からのMEGとfMRIの予測と,再建した大脳皮質源の推定値を表す潜在層の推定を訓練した。
論文 参考訳（メタデータ） (2025-10-10T14:18:10Z) - 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) - From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。
この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
論文 参考訳（メタデータ） (2025-08-13T17:56:29Z) - 3D Anatomical Structure-guided Deep Learning for Accurate Diffusion Microstructure Imaging [7.986579222123474]
本稿では,マクロレベルの先行する解剖学的情報とパラメータ間の相互情報とを同時に利用することにより,高忠実かつ迅速な拡散微細構造イメージングを実現する新しい枠組みを提案する。
実験結果から,本手法は,ピーク信号対雑音比(PSNR)が30.51$pm$0.58,構造類似度指数(SSIM)が0.97$pm$0.004,複数拡散モデルのパラメトリックマップが0。
論文 参考訳（メタデータ） (2025-02-25T07:52:51Z) - DDEvENet: Evidence-based Ensemble Learning for Uncertainty-aware Brain Parcellation Using Diffusion MRI [5.757390718589337]
EVENetは、拡散MRIを用いた解剖学的脳解析のためのエビデンスベースのエンサンブルニューラルネットワークである。
健常層および臨床集団の異なるデータセットの正確なパーセレーションと不確実性の推定値を得た。
この不確実性評価により,EVENet法は病変症例の異常脳領域の検出に有効であることが示された。
論文 参考訳（メタデータ） (2024-09-11T05:26:23Z) - Source-Free Collaborative Domain Adaptation via Multi-Perspective
Feature Enrichment for Functional MRI Analysis [55.03872260158717]
安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。
ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。
しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。
我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
論文 参考訳（メタデータ） (2023-08-24T01:30:18Z) - Robust Fiber Orientation Distribution Function Estimation Using Deep Constrained Spherical Deconvolution for Diffusion MRI [9.570365838548073]
測定したDW-MRI信号をモデル化するための一般的なプラクティスは、繊維配向分布関数(fODF)である。
DW-MRIの取得において、測定変数(サイト内およびサイト内変動、ハードウェア性能、シーケンス設計など)は避けられない。
既存のモデルベース手法(例えば、制約付き球面デコンボリューション(CSD))や学習ベース手法(例えば、ディープラーニング(DL))は、fODFモデリングにおいてそのような変動を明示的に考慮していない。
本稿では,データ駆動型深部制約付き球面デコンボリューション法を提案する。
論文 参考訳（メタデータ） (2023-06-05T14:06:40Z) - fMRI from EEG is only Deep Learning away: the use of interpretable DL to
unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。
我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文 参考訳（メタデータ） (2022-10-23T15:11:37Z) - CoRRECT: A Deep Unfolding Framework for Motion-Corrected Quantitative R2* Mapping [9.783361575598025]
CoRRECTは、定量的MRI(qMRI)のための統合深部展開(DU)フレームワークである
モデルベースのエンドツーエンドニューラルネットワーク、モーションアーティファクトリダクションの方法、自己教師型学習スキームで構成されている。
実験で収集したmGRE(Multi-Gradient-Recalled Echo) MRIデータから,CoRRECTは高速な取得設定で動きと不均一なアーチファクトのないR2*マップを復元することを示した。
論文 参考訳（メタデータ） (2022-10-12T15:49:51Z) - Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。
本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
論文 参考訳（メタデータ） (2020-10-05T14:18:52Z)
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。