論文の概要: L-TGVN: Leveraging Longitudinal Priors for Personalized Rapid MRI
- arxiv url: http://arxiv.org/abs/2606.04419v1
- Date: Wed, 03 Jun 2026 03:56:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.52692
- Title: L-TGVN: Leveraging Longitudinal Priors for Personalized Rapid MRI
- Title（参考訳）: L-TGVN : パーソナライズド・ラピッドMRI
- Authors: Arda Atalık, Sumit Chopra, Daniel K. Sodickson,
- Abstract要約: 長期の取得は、患者の不快感を増し、検査コストを上げ、スキャナのスループットを制限する。
スキャン時間を短縮するための一般的なアプローチは、より少ない測定値を取得することである。
フォローアップテストでは、患者の最新の先行スキャンは、非常に有意義な主題固有のコンテキストを提供することができる。
本稿では,従来のスキャンを副次情報として活用し,現在のスキャンを再構築するL-TGVNについて紹介する。
- 参考スコア（独自算出の注目度）: 2.0391237204597363
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: MRI provides excellent soft-tissue contrast without ionizing radiation, but long acquisition times increase patient discomfort while also raising exam costs and limiting scanner throughput. A common approach to reduce scan time is to acquire fewer measurements, which yields an ill-posed linear inverse problem; recovering diagnostic-quality images therefore requires incorporating prior knowledge beyond the measured data. In follow-up exams, the most recent prior scan of a patient can provide a highly informative subject-specific context, but practical use is complicated by temporal changes (including pathology progression), misalignment between scans, and protocol drift across acquisitions. In this work, we introduce L-TGVN, a Longitudinal Trust-Guided Variational Network that leverages prior scans as side information to reconstruct the current scan from heavily undersampled measurements. Crucially, L-TGVN constrains the influence of prior scans to be consistent with the acquired measurements. Unlike many existing longitudinal reconstruction methods, it does not require explicit pre-registration between prior and current scans. It further accommodates differences in acquisition protocols across visits (e.g., changes in sequence parameters). We evaluate L-TGVN against matched-capacity baselines, including prior-guided methods and methods that do not use longitudinal priors, and observe consistent improvements in standard quantitative metrics together with better preservation of fine structures at challenging accelerations. Source code is available at github.com/sodicksonlab/L-TGVN.
- Abstract（参考訳）: MRIは、放射線を電離せずに優れた軟質コントラストを提供するが、長い取得時間によって患者の不快感が増し、検査コストが上昇し、スキャナスループットが制限される。
スキャン時間を短縮するための一般的なアプローチは、不適切な線形逆問題をもたらす測定を少なくすることであり、したがって診断品質の高い画像の復元には、測定データ以外の事前知識を組み込む必要がある。
フォローアップテストでは、患者の最新の先行スキャンは、非常に有意義な主題固有のコンテキストを提供することができるが、実際の使用は、時間的変化(病理の進行を含む)、スキャン間のミスアライメント、取得間のプロトコルドリフトによって複雑である。
本研究では,従来のスキャンを副次情報として活用し,過小評価から現在のスキャンを再構築するL-TGVNを提案する。
重要なことは、L-TGVNは取得した測定値と一致するように事前スキャンの影響を制限している。
既存の長手再建法とは異なり、前と現在のスキャンの間に明示的な事前登録は不要である。
さらに、訪問者間での取得プロトコルの違い(例えば、シーケンスパラメータの変更)を許容する。
我々は,L-TGVNを,縦方向の先行値を使用しない事前誘導法や手法を含む整合容量ベースラインに対して評価し,標準量測定値の一貫した改善と,挑戦的加速時の微細構造の保存性の向上を考察した。
ソースコードはgithub.com/sodicksonlab/L-TGVNで入手できる。
関連論文リスト
- X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data [86.52299247918637]
胸部X線撮影における長期肺腫瘍の診断は困難であった。
尾部病変の表現力を高める拡散法は近年進歩しているが, 稀な病変例では, それらの発生能が低下している。
そこで本研究では,従来のX線を併用して尾部病変を増大させる新しいデータ合成パイプラインを提案する。
論文 参考訳（メタデータ） (2025-12-24T06:14:55Z) - CUTE-MRI: Conformalized Uncertainty-based framework for Time-adaptivE MRI [1.0209145746316146]
この研究は、オブジェクトごとのスキャン時間を調整する、動的で不確実性を認識した買収フレームワークを導入している。
我々は整合予測を用いて、この不確かさを計量の厳密で校正された信頼区間に変換する。
この適応的手法は,最終的な画像の精度に関する公式な統計的保証を提供しながら,固定されたプロトコルと比較してスキャン時間を短縮することを示す。
論文 参考訳（メタデータ） (2025-08-20T14:56:42Z) - 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) - A Trust-Guided Approach to MR Image Reconstruction with Side Information [0.6144680854063939]
Trust- Guided Variational Network (TGVN)は、MRI最適化問題にサイド情報を効果的に統合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。
TGVNは、困難な加速レベルでも微妙な病理特性を維持しながら、優れた画像品質を実現する。
論文 参考訳（メタデータ） (2025-01-06T14:05:19Z) - Longitudinal Segmentation of MS Lesions via Temporal Difference Weighting [2.0168790328644697]
本稿では,ベースラインとフォローアップスキャンの時間的差を,差分重みブロックと呼ばれるユニークなアーキテクチャ的帰納バイアスによって明示的に取り込む新しい手法を提案する。
本研究は,2つのデータセットにまたがる最先端の縦・単点モデルと比較して,病変のセグメンテーションおよび病変検出において優れたスコアを得る。
論文 参考訳（メタデータ） (2024-09-20T11:30:54Z) - Accelerating MRI with Longitudinally-informed Latent Posterior Sampling [2.1965682857041906]
縦方向の学習データを必要としない拡散モデルに基づく再構成フレームワークを提案する。
推測において,本フレームワークは対象者のDICOMフォーマットの事前スキャンを統合し,フォローアップの再構築を誘導する。
本手法は,長手および非縦長のベースライン再構築法より一貫して優れる。
論文 参考訳（メタデータ） (2024-06-29T22:13:54Z) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。
提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。
実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
論文 参考訳（メタデータ） (2023-07-02T05:26:54Z) - DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain
Medical Images [56.72015587067494]
DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。
本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
論文 参考訳（メタデータ） (2022-05-27T02:34:32Z) - A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions
Artefacts in MRI Scans [63.28835187934139]
本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。
提案法は患者の多動運動によって生成された人工物に応用できる。
論文 参考訳（メタデータ） (2020-06-24T15:25:11Z) - AdaS: Adaptive Scheduling of Stochastic Gradients [50.80697760166045]
我々は、textit "knowledge gain" と textit "mapping condition" の概念を導入し、Adaptive Scheduling (AdaS) と呼ばれる新しいアルゴリズムを提案する。
実験によると、AdaSは派生した指標を用いて、既存の適応学習手法よりも高速な収束と優れた一般化、そして(b)いつトレーニングを中止するかを決定するための検証セットへの依存の欠如を示す。
論文 参考訳（メタデータ） (2020-06-11T16:36:31Z)
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。