論文の概要: Physics-Driven Zero-Shot MRI Reconstruction with Non-local Image Priors

• arxiv url: http://arxiv.org/abs/2606.15110v1
• Date: Sat, 13 Jun 2026 04:57:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.850344
• Title: Physics-Driven Zero-Shot MRI Reconstruction with Non-local Image Priors
• Title（参考訳）: 非局所画像を用いた物理駆動型ゼロショットMRI再構成
• Authors: Lingtong Zhang, Wenlei Li, Mu He, Li Xiao, Yang Ji,
• Abstract要約: ZS-SSLは磁気共鳴画像(MRI)の再生に期待できるパラダイムとして登場した。 本稿では、画像領域の非局所的な先行値と物理の整合性を相乗化するための堅牢な物理駆動フレームワークを提案する。 提案手法は,特に加速係数が高い場合の最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 3.412182028038034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Zero-Shot Self-Supervised Learning (ZS-SSL) has emerged as a promising paradigm for accelerated Magnetic Resonance Imaging (MRI) reconstruction, eliminating the reliance on fully-sampled external datasets. However, learning solely from a single under-sampled scan suffers from supervision scarcity and optimization instability, often leading to overfitting or artifacts. To address these challenges, we propose a robust physics-driven ZS-SSL framework that synergizes physical consistency with image-domain non-local priors. Our method introduces three core innovations: (1) a Coil Sensitivity Map (CSM)-Guided Dynamic Repository, which stabilizes the training trajectory by filtering physically inconsistent artifacts based on coil sensitivity constraints; (2) a SPIRiT-based regularization, which enforces k-space self-consistency via a learned correlation kernel and stochastic masking; (3) a Non-Local Self-Similarity (NSS) Pixel Bank, which leverages the high-fidelity reference established by the former modules to explicitly mine non-local anatomical similarities, thereby augmenting supervision in the image domain. Extensive experiments on the FastMRI dataset demonstrate that our approach achieves state-of-the-art performance, particularly under high acceleration factors, effectively bridging the gap between zero-shot learning and supervised methods. The code is available at https://github.com/Zolento/NS-SSL.
• Abstract（参考訳）: Zero-Shot Self-Supervised Learning (ZS-SSL) は、MRI(MRI)再構成を加速するための有望なパラダイムとして登場し、完全にサンプリングされた外部データセットへの依存を排除している。 しかし、1つのアンダーサンプルスキャンからのみ学ぶことは、監督の不足と最適化の不安定さに悩まされ、しばしば過度な適合やアーティファクトに繋がる。 これらの課題に対処するために,画像領域の非局所的な前処理と物理的整合性を相乗化する物理駆動型ZS-SSLフレームワークを提案する。 本手法では,(1)コイル感度マップ(CSM)誘導動的レポジトリ,(2)学習相関カーネルと確率マスクを介してk空間自己整合を強制するSPIRiTベース正規化,(3)非局所自己相似性(NSS)Pixel Bankの3つのコアイノベーションを紹介する。 FastMRIデータセットの広汎な実験により、我々は最先端の性能、特に高い加速係数下で、ゼロショット学習と教師あり手法のギャップを効果的に埋めることが実証された。 コードはhttps://github.com/Zolento/NS-SSLで公開されている。

関連論文リスト

• Efficient Complex-Valued Vision Transformers for MRI Classification Directly from k-Space [4.973425214325723]
  磁気共鳴イメージング(MRI)における深層学習の応用は、主に再構成された等級画像に対して行われる。 標準的なニューラルネットワークアーキテクチャは、生周波数領域(k-Space)データのグローバルで非ローカルな性質に不適なローカル操作(畳み込みやグリッドパッチ)に依存している。 そこで本研究では,k-Spaceデータに基づく分類を行うために,複雑な値を持つ視覚変換器(kViT)を提案する。
  論文  参考訳（メタデータ） (2026-01-26T11:50:52Z)
• Knowledge-Informed Neural Network for Complex-Valued SAR Image Recognition [51.03674130115878]
  本稿では,新しい「圧縮集約圧縮」アーキテクチャ上に構築された軽量なフレームワークであるKnowledge-Informed Neural Network(KINN)を紹介する。 KINNはパラメータ効率の認識における最先端を確立し、データスカースとアウト・オブ・ディストリビューションのシナリオにおいて例外的な一般化を提供する。
  論文  参考訳（メタデータ） (2025-10-23T07:12:26Z)
• Conditional Denoising Diffusion Model-Based Robust MR Image Reconstruction from Highly Undersampled Data [11.174208209806073]
  アンダーサンプリング戦略は画像の取得を加速させるが、多くの場合、画像のアーティファクトと劣化した品質をもたらす。 近年の拡散モデルでは、強力な画像先行学習により、アンダーサンプルデータから高忠実度画像の再構成が期待されている。 本稿では,反復的データ一貫性補正を伴う条件付きデノナイジング拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-07T18:01:08Z)
• 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)
• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• SPHERE: Semantic-PHysical Engaged REpresentation for 3D Semantic Scene Completion [52.959716866316604]
  カメラベース3Dセマンティックシーンコンプリート(SSC)は自動運転システムにおいて重要な課題である。 本稿では,SPHERE (Semantic-PHysical Engaged Representation) を提案する。 SPHEREは、意味情報と物理的情報の共同利用のためのボクセルとガウス表現を統合している。
  論文  参考訳（メタデータ） (2025-09-14T09:07:41Z)
• Simulating Sinogram-Domain Motion and Correcting Image-Domain Artifacts Using Deep Learning in HR-pQCT Bone Imaging [0.0]
  HR-pQCT画像における動きアーティファクトをシミュレートするために,従来のシノグラムに基づく手法を最適化する。 本研究では,実世界(ターゲット)データセットと実世界(ターゲット)データセットの両方の動作成果物を扱うために,エッジ強化型自己注意型ワッサースタイン生成適応ネットワーク(ESWGAN-GP)を提案する。
  論文  参考訳（メタデータ） (2025-09-13T19:43:05Z)
• PISCO: Self-Supervised k-Space Regularization for Improved Neural Implicit k-Space Representations of Dynamic MRI [10.397363299674508]
  我々は$mathL_mathrmPISCOで新しい自己教師付きk空間損失関数を導入する。 提案した損失関数は、並列イメージングにインスパイアされた自己整合性の概念に基づいている。 最先端の手法に比べて優れた安定性を実現する。
  論文  参考訳（メタデータ） (2025-01-16T09:18:59Z)
• Self-Consistent Nested Diffusion Bridge for Accelerated MRI Reconstruction [22.589087990596887]
  画像画像を用いたMRI画像再構成の課題に焦点をあてる。 拡散モデルの最近の進歩、特に拡散確率モデルのデノベーションは、画像先行をモデル化する上で強力な能力を示している。 我々は,MRI再構成の高速化をモデルとした自己持続性ネスト拡散橋(SC-NDB)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-13T09:35:34Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)

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。