論文の概要: Recover Semantics First, Generate Better: Improved Latent Modeling for 3D MRI Reconstruction and Cross-Contrast Synthesis

• arxiv url: http://arxiv.org/abs/2606.17989v1
• Date: Tue, 16 Jun 2026 14:41:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.488381
• Title: Recover Semantics First, Generate Better: Improved Latent Modeling for 3D MRI Reconstruction and Cross-Contrast Synthesis
• Title（参考訳）: 3次元MRI再構成とクロスコントラスト合成のための遅延モデリングの改良
• Authors: Yonghao Chen, Sicheng Yang, Rui Tang, Lei Zhu,
• Abstract要約: 本稿では,3次元MRI再構成とクロスコントラスト合成のためのセマンティクスファースト潜時モデリングフレームワークを提案する。 グローバルな解剖的依存関係を捕捉し,コヒーレントな表現を確保するために,LHE(Latent Harmonization)を導入する。 さらに、自己教師型セマンティック・教師から高レベルの事前情報を注入するセマンティック・リカバリ・ブロック(SRB)を設計し、潜在空間におけるコントラスト認識の分離性を向上する。
• 参考スコア（独自算出の注目度）: 21.111566412869713
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-contrast magnetic resonance imaging (MRI) provides complementary information for clinical diagnosis. However, acquiring all MRI sequences is often time-consuming and costly. Recent generative models perform cross-contrast synthesis to address this issue by inferring absent contrasts from the available ones. Nevertheless, synthesizing 3D MRI presents significant challenges. Due to the massive volume sizes, operating directly in the pixel space is computationally prohibitive; therefore, a common approach is to first compress the 3D volumes into a latent space and subsequently train generative models in that space. We observe that existing compression architectures face several critical issues: they under-preserve long-range anatomical coherence, discard clinically meaningful semantics, and rely on optimization objectives that lead to over-smoothed reconstructions. Ultimately, these shortcomings compromise the performance of subsequent generative models. In this work, we propose a semantics-first latent modeling framework for 3D MRI reconstruction and cross-contrast synthesis. Specifically, we introduce a Latent Harmonization Encoder (LHE) to capture global anatomical dependencies, ensuring coherent volumetric representations. To mitigate semantic degradation during latent compression, we further design a Semantic Recovery Block (SRB) that injects high-level priors from a self-supervised semantic teacher, enhancing contrast-aware separability in the latent space. Additionally, we propose an Anatomy-aware Frequency Loss (AFL) to adaptively preserve diagnostically relevant high-frequency structures. Extensive experiments on two public multi-contrast MRI datasets demonstrate consistent improvements in reconstruction fidelity and cross-contrast synthesis quality. Our code is available at https://github.com/script-Yang/RSF.
• Abstract（参考訳）: マルチコントラストMRI(Multi-Contrast magnetic resonance imaging)は、臨床診断のための補完的な情報を提供する。 しかし、すべてのMRIシークエンスを取得するのに時間と費用がかかります。 最近の生成モデルは、この問題に対処するためのクロスコントラスト合成を行い、利用可能なものとのコントラストの欠如を推測する。 それでも、3D MRIの合成には大きな課題がある。 巨大なボリュームサイズのため、ピクセル空間で直接操作することは計算的に禁止されているため、3Dボリュームを遅延空間に圧縮し、次にその空間で生成モデルを訓練することが一般的なアプローチである。 既存の圧縮アーキテクチャは, 長期的解剖学的コヒーレンスを低く保ち, 臨床的に意味のある意味論を捨て, 過度に平滑な再建につながる最適化目標に依存している。 最終的にこれらの欠点は、その後の生成モデルの性能を損なうことになる。 本研究では,3次元MRI再構成とクロスコントラスト合成のためのセマンティックス第一潜時モデリングフレームワークを提案する。 具体的には,LHE(Latent Harmonization Encoder)を導入し,グローバルな解剖学的依存関係を捕捉し,コヒーレントな容積表現を保証する。 潜在空間におけるコントラスト認識の分離性を高めるために,自己教師型セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティックス(SRB)を設計する。 さらに、診断に関連のある高周波構造を適応的に保存するための解剖学的認識周波数損失(AFL)を提案する。 2つの公開マルチコントラストMRIデータセットに対する大規模な実験は、再構成忠実度とクロスコントラスト合成品質が一貫した改善を示した。 私たちのコードはhttps://github.com/script-Yang/RSF.orgで公開されています。

関連論文リスト

• Brain MR Image Synthesis with Multi-contrast Self-attention GAN [0.2291770711277359]
  3D-MC-SAGANは3Dマルチコントラスト合成フレームワークである。 腫瘍特性を保ちながら、1つのT2入力から高忠実度欠落モードを生成する。 最先端の定量的性能を達成し、視覚的にコヒーレントで解剖学的に妥当なコントラストを生成する。
  論文  参考訳（メタデータ） (2026-03-31T13:43:53Z)
• MIRAGE: Knowledge Graph-Guided Cross-Cohort MRI Synthesis for Alzheimer's Disease Prediction [15.543131466384658]
  MIRAGEは、欠落したMRI問題を解剖誘導型クロスモーダルラテント蒸留タスクとして再構成する新しいフレームワークである。 凍結事前訓練された3次元U-Netデコーダを補助正規化エンジンとして厳密に採用する。 実験の結果、我々のフレームワークはモダリティのギャップを埋めることに成功し、AD分類率を13%改善した。
  論文  参考訳（メタデータ） (2026-03-02T22:17:37Z)
• Exploiting Completeness Perception with Diffusion Transformer for Unified 3D MRI Synthesis [9.857855424798732]
  本稿では,3次元MRIの統一合成のための完全性知覚を備えた潜時拡散モデルCoPeDiTを提案する。 CoPeDiTは最先端の手法よりも優れ、優れた堅牢性、一般化可能性、柔軟性を実現している。
  論文  参考訳（メタデータ） (2026-02-20T18:05:39Z)
• SynMind: Reducing Semantic Hallucination in fMRI-Based Image Reconstruction [52.34513874272676]
  既存の手法は、明示的な意味的アイデンティティよりも、絡み合った視覚的埋め込みに強く依存している、と我々は主張する。 我々はfMRI信号を、人間の視覚理解の階層的・構成的性質を反映したリッチで文レベルの意味記述に解析する。 そこで我々は,これらの明示的なセマンティックエンコーディングを視覚的プリエンプションと統合したフレームワークであるSynMindを提案する。
  論文  参考訳（メタデータ） (2026-01-25T14:31:23Z)
• Frequency Error-Guided Under-sampling Optimization for Multi-Contrast MRI Reconstruction [24.246450246745905]
  マルチコントラストMRIは,完全サンプリング参照スキャンからの補完情報を活用することで,有望な方向として現れる。 既存のアプローチには,(1)表面的参照融合戦略,(2)参照コントラストによって提供される補完情報の不十分な利用,(3)固定アンダーサンプリングパターンの3つの大きな制限がある。 本稿では,これらの問題に対処するための,効率よく解釈可能な周波数誤差誘導再構成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-14T09:40:34Z)
• 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)
• 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)
• Make-A-Volume: Leveraging Latent Diffusion Models for Cross-Modality 3D Brain MRI Synthesis [35.45013834475523]
  クロスモダリティ医療画像合成は重要なトピックであり、医療画像分野における多くの応用を促進する可能性がある。 現在の医療画像合成法のほとんどは、生成的敵ネットワークに依存しており、悪名高いモード崩壊と不安定な訓練に悩まされている。 本稿では,2次元バックボーンを利用した医療データ合成のための新しいパラダイムを提案し,拡散型フレームワークであるMake-A-Volumeを提案する。
  論文  参考訳（メタデータ） (2023-07-19T16:01:09Z)
• 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)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)

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。