論文の概要: DD-INR: Dynamics-Driven Implicit Neural Representation for Accelerated Whole-Brain Functional MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2606.10756v1
• Date: Tue, 09 Jun 2026 12:09:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.481165
• Title: DD-INR: Dynamics-Driven Implicit Neural Representation for Accelerated Whole-Brain Functional MRI Reconstruction
• Title（参考訳）: DD-INR : 高速全脳機能MRI画像再構成のためのダイナミクス駆動型インプシットニューラル表現法
• Authors: Qiaoxin Li, Caini Pan, Pierre-Antoine Comby, Chaithya Giliyar, Philippe Ciuciu,
• Abstract要約: fMRIは脳内の神経血管活動(BOLD)の検出を増強する。 従来のMRI再構成法では, k-space の低い値で回復できない: Task-kedevo 信号は小さい。 本稿では,fMRIの高速化に適したフレームワークDD-INRを提案する。
• 参考スコア（独自算出の注目度）: 0.9867739577559261
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accelerated acquisition of fMRI enables enhanced detection of neurovascular (BOLD) activity in the brain, but image reconstruction becomes challenging with high k-space undersampling: Task-evoked BOLD signals are small in magnitude, which traditional anatomical MRI reconstruction methods fail to recover, as they favor spatial accuracy over temporal fidelity. We present DD-INR, a Dynamics-Driven Implicit Neural Representation framework tailored for accelerated fMRI that benefits from incoherent time-varying sampling and a tailored spatiotemporal prior, outperforming traditional methods, demonstrated in simulation and in-vivo acquisition, both in terms of image quality and retrieval of activation patterns. DD-INR achieves this by splitting the fMRI data into a static background and a temporally varying dynamic component, representing only the dynamics with a dedicated INR, thereby focusing the model's capacity on activation-relevant changes while remaining compact. In general, DD-INR provides a promising framework for accelerated fMRI reconstruction, with the potential to improve the sensitivity and robustness of fMRI studies within practical scan time limits. The source code is available at https://github.com/JoosenLi/DD-INR.
• Abstract（参考訳）: fMRIの高速化により、脳内の神経血管活動(BOLD)の検出が促進されるが、高K空間アンダーサンプリングでは画像再構成が困難になる: タスク誘発BOLD信号は大きさが小さく、従来の解剖学的MRI再構成法では時間的忠実性よりも空間的精度がよいため、回復できない。 DD-INR(Dynamics-Driven Implicit Neural Representation framework, DD-INR)は、画像品質とアクティベーションパターンの検索の両面において、非コヒーレントな時間変化サンプリングと、従来の手法よりも優れた時空間事前調整の利点を生かした、高速fMRIのための動的インプリケーションフレームワークである。 DD-INRは、fMRIデータを静的な背景と時間的に変化する動的コンポーネントに分割し、専用のINRでダイナミクスのみを表現することにより、コンパクトなままでアクティベーション関連の変化にモデルを集中させる。 一般に、DD-INRはfMRI再構成を加速するための有望なフレームワークを提供し、実用的なスキャン時間制限内でfMRI研究の感度と堅牢性を改善する可能性がある。 ソースコードはhttps://github.com/JoosenLi/DD-INR.comで入手できる。

関連論文リスト

• Modeling Spatiotemporal Neural Frames for High Resolution Brain Dynamic [31.029079653041336]
  高分解能fMRIは大規模アプリケーションを制限する。 EEGはfMRIを補完するミリ秒レベルの時間的手がかりを提供する。 脳波に基づく動的fMRIの再構成はシーケンス連続性と実用性を向上させる。
  論文  参考訳（メタデータ） (2026-03-25T10:53:11Z)
• Flow-Guided Implicit Neural Representation for Motion-Aware Dynamic MRI Reconstruction [19.66198868468091]
  動的磁気共鳴イメージング(dMRI)は解剖学的に時間分解されるが、限られたサンプリングや運動によって引き起こされるアーティファクトによってしばしば挑戦される。 本研究では,動的画像列とその基盤となる運動場を協調的にモデル化する,新しい暗黙的ニューラル表現フレームワークを提案する。 動的心臓MRIデータセットの実験により、この手法は最先端のモーションインスパイアされた深層学習手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-21T04:51:23Z)
• Moving Beyond Diffusion: Hierarchy-to-Hierarchy Autoregression for fMRI-to-Image Reconstruction [65.67001243986981]
  我々は,スケールワイド自己回帰モデルに基づく粗大なfMRI画像再構成フレームワークであるMindHierを提案する。 MindHierは、拡散ベースのベースラインよりも優れたセマンティック忠実さ、4.67倍高速な推論、より決定論的結果を達成する。
  論文  参考訳（メタデータ） (2025-10-25T15:40:07Z)
• MindFormer: Semantic Alignment of Multi-Subject fMRI for Brain Decoding [50.55024115943266]
  本稿では,MindFormer を用いたマルチオブジェクト fMRI 信号のセマンティックアライメント手法を提案する。 このモデルは、fMRIから画像生成のための安定拡散モデルや、fMRIからテキスト生成のための大規模言語モデル(LLM)の条件付けに使用できるfMRI条件付き特徴ベクトルを生成するように設計されている。 実験の結果,MindFormerは意味的に一貫した画像とテキストを異なる主題にわたって生成することがわかった。
  論文  参考訳（メタデータ） (2024-05-28T00:36:25Z)
• 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)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Spatiotemporal implicit neural representation for unsupervised dynamic MRI reconstruction [11.661657147506519]
  Inlicit Neuraltruth (INR) は逆問題を解決するための強力なDLベースのツールとして登場した。 本研究では,高度にアンサンプされたk空間データから動的MRI再構成を改善するためのINRに基づく手法を提案する。 提案したINRは、ダイナミックMRI画像を暗黙の関数として表現し、それらをニューラルネットワークにエンコードする。
  論文  参考訳（メタデータ） (2022-12-31T05:43:21Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• Improved Simultaneous Multi-Slice Functional MRI Using Self-supervised Deep Learning [0.487576911714538]
  自己監視型DL再構成を複数スライス(SMS)同時画像化に拡張します。 その結果, 自己監視型DLは再構成ノイズを低減し, 残存物を抑制することが示された。 後続のfMRI解析はDL処理によって未定であり、時間信号対雑音比の改善はタスク実行間のコヒーレンス推定を高くする。
  論文  参考訳（メタデータ） (2021-05-10T17:36:27Z)
• Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
  経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。 この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
  論文  参考訳（メタデータ） (2020-01-14T22:55:03Z)

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。