論文の概要: BREIT: A Framework for Brain Stroke Reconstruction using Multi-Frequency 3D EIT

• arxiv url: http://arxiv.org/abs/2606.28787v2
• Date: Tue, 30 Jun 2026 09:17:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 13:50:27.715193
• Title: BREIT: A Framework for Brain Stroke Reconstruction using Multi-Frequency 3D EIT
• Title（参考訳）: マルチ周波数3D EITを用いた脳卒中再建のためのフレームワークBREIT
• Abstract要約: マルチ周波数電気インピーダンストモグラフィ(MF-EIT)は、境界電圧から電界分布を再構成する非侵襲的で低コストなモダリティである。 脳卒中画像における3次元深層学習の進展は,GTボリュームと組み合わせた大規模データセットの欠如によって制限される。 i) CT/MRIを周波数依存GT肯定ボリュームに変換するフーリエ・ツー・EITパイプライン; (ii) Python 3D完全電極モデル(CEM)を前方に導入する。
• 参考スコア（独自算出の注目度）: 2.3332469289621787
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-Frequency Electrical Impedance Tomography (MF-EIT) is a non-invasive, low-cost modality that reconstructs electrical property distributions from boundary voltages. For stroke imaging, progress in 3D deep-learning reconstruction is limited by the lack of large-scale datasets with paired ground-truth (GT) volumes and by non-standardized pipelines for data generation, simulation, and evaluation. We introduce BREIT, a modular framework for 3D MF-EIT stroke reconstruction providing: (i) a neuroimaging-to-EIT pipeline that converts CT/MRI into frequency-dependent GT admittivity volumes; (ii) a self-contained Python 3D Complete Electrode Model (CEM) forward solver for simulating MF-EIT voltages; and (iii) a 3D D-bar implementation supporting non-uniform electrode layouts. Building on BREIT, we propose dFNO-bar, which integrates Fourier Neural Operators into D-bar by learning a mapping from scattering data $t(ξ)$ to conductivity $σ(x){=}\Re\{γ\}$. We evaluate dFNO-bar against D-bar, Deep D-bar, and Gauss--Newton reconstructions on UCLH-matched synthetic data, and observe higher brain SSIM with comparable CC across noise settings.
• Abstract（参考訳）: マルチ周波数電気インピーダンストモグラフィ(MF-EIT)は、境界電圧から電界分布を再構成する非侵襲的で低コストなモダリティである。 脳卒中画像では,GTボリュームとデータ生成,シミュレーション,評価のための非標準化パイプラインによる大規模データセットの欠如により,3次元ディープラーニング再構築の進展が制限される。 3次元MF-EITストローク再構築のためのモジュラーフレームワークであるBREITを紹介する。 i)CT/MRIを周波数依存性GT陽性量に変換する脳画像からEITパイプライン (ii)MF-EIT電圧をシミュレートする自己完結型Python 3D完全電極モデル(CEM)前方解法 三)一様でない電極配置をサポートする3次元Dバー実装。 BREIT 上に構築した dFNO-bar はフーリエニューラル演算子を D-bar に統合し,散乱データ $t( )$ から導電率 $σ(x){=}\Re\{γ\}$ への写像を学習する。 我々は,D-bar,Deep D-bar,Gaussに対するdFNO-barの評価を行った。

関連論文リスト

• Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
  抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。 相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
  論文  参考訳（メタデータ） (2026-07-13T14:03:26Z)
• Tensor Train Decomposition-based 3D Implicit Full Waveform Inversion with Multi-scale Structural Similarity [5.423784206536407]
  3次元フルウェーブフォームインバージョン(DFWI)は高分解能地下速度モデルを構築するための強力な手法である。 我々は,TT3DIFWI(TT-3DIFWI)の分解に基づく新しいテンソルトレインを提案する。 M-SSIMを用いたTT-3DIFWIは,初期モデルが貧弱な場合や低周波データを欠く場合であっても,正確かつ連続的な速度再構成を実現する。
  論文  参考訳（メタデータ） (2026-06-22T05:24:22Z)
• Pixel-Level Residual Diffusion Transformer: Scalable 3D CT Volume Generation [20.986333949052007]
  Pixel-Level Residual Diffusion Transformer (PRDiT)は、高品質な3D医療量をボクセルレベルで直接合成する固有の生成フレームワークである。 PRDiTはHA-GAN、3D LDM、WDM-3Dといった最先端モデルより一貫して優れており、3D FID、MDD、ワッサーシュタイン距離スコアは大幅に低い。
  論文  参考訳（メタデータ） (2026-06-18T11:35:11Z)
• WaveDiT: Distribution-Aware Wavelet Flow Matching for Efficient 3D Brain MRI Synthesis [7.371811584771131]
  大規模な階層的バランスの取れたデータセットは、信頼できる神経画像バイオマーカーに不可欠である。 WaveDiTは、3次元ハール離散ウェーブレット変換の係数空間で動作する条件付きフローマッチングフレームワークである。 単一の現代的なGPU上で、実用的およびメモリ時間の制約の下で、フル解像度の3D合成をサポートする。
  論文  参考訳（メタデータ） (2026-06-07T15:21:02Z)
• VEMamba: Efficient Isotropic Reconstruction of Volume Electron Microscopy with Axial-Lateral Consistent Mamba [10.193877972715667]
  ボリューム電子顕微鏡(VEM)は3次元組織イメージングに不可欠である。 既存の等方的復元法は、しばしば豊富な軸方向情報を無視する。 等方的再構成のための効率的なフレームワークであるVEMambaを提案する。
  論文  参考訳（メタデータ） (2026-03-01T03:22:42Z)
• F-INR: Functional Tensor Decomposition for Implicit Neural Representations [7.183424522250937]
  Implicit Representation (INR) は、ニューラルネットワークを用いて離散信号を連続的に微分可能な関数に符号化する強力なツールとして登場した。 機能的分解によりINR学習を再構築し,高次元タスクを軽量な軸特化サブネットワークに分割するフレームワークF-INRを提案する。
  論文  参考訳（メタデータ） (2025-03-27T13:51:31Z)
• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [90.23688195918432]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• ReMiDi: Reconstruction of Microstructure Using a Differentiable Diffusion MRI Simulator [0.602276990341246]
  ReMiDiは、微分拡散磁気共鳴イメージング(dMRI)シミュレーターを用いて神経細胞の微細構造を任意の3次元メッシュとして推定する新しい手法である。 本稿では、参照信号にマッチするように調整可能な信号をシミュレートする、エンドツーエンドの微分可能なパイプラインを提案する。 有限要素メッシュで表される任意の形状の微細構造を再構築する能力を示し,脳白質中の軸索ジオメトリーに着目した。
  論文  参考訳（メタデータ） (2025-02-04T04:03:08Z)
• DSplats: 3D Generation by Denoising Splats-Based Multiview Diffusion Models [67.50989119438508]
  本稿では,ガウスをベースとしたレコンストラクタを用いて,リアルな3Dアセットを生成することで,マルチビュー画像を直接認識するDSplatを紹介した。 実験の結果,DSplatsは高品質で空間的に一貫した出力を生成できるだけでなく,単一画像から3次元再構成への新たな標準も設定できることがわかった。
  論文  参考訳（メタデータ） (2024-12-11T07:32:17Z)
• EM-GANSim: Real-time and Accurate EM Simulation Using Conditional GANs for 3D Indoor Scenes [55.2480439325792]
  実時間電磁伝搬のための新しい機械学習手法(EM-GANSim)を提案する。 実際には、3D屋内環境のあらゆる場所で数ミリ秒で信号強度を計算することができる。
  論文  参考訳（メタデータ） (2024-05-27T17:19:02Z)
• Multi-Scale Frequency-Enhanced Deep D-bar Method for Electrical Impedance Tomography [5.112764609048122]
  本稿では,リアルタイムEIT再構築のためのディープラーニングに基づく教師ありアプローチを提案する。 D-bar法に基づいて,高画質化のためのマルチスケール周波数拡張と空間整合性を両立する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-12T21:55:02Z)
• NeRF-GAN Distillation for Efficient 3D-Aware Generation with Convolutions [97.27105725738016]
  GAN(Generative Adversarial Networks)のようなニューラルラジアンスフィールド(NeRF)と生成モデルの統合は、単一ビュー画像から3D認識生成を変換した。 提案手法は,ポーズ条件付き畳み込みネットワークにおいて,事前学習したNeRF-GANの有界遅延空間を再利用し,基礎となる3次元表現に対応する3D一貫性画像を直接生成する手法である。
  論文  参考訳（メタデータ） (2023-03-22T18:59:48Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• BNV-Fusion: Dense 3D Reconstruction using Bi-level Neural Volume Fusion [85.24673400250671]
  ニューラル・ボリューム・フュージョン (BNV-Fusion) は, ニューラル・暗黙表現とニューラル・レンダリングの最近の進歩を活用して高密度3次元再構成を行う。 新しい深度マップをグローバルな暗黙的表現に漸進的に統合するために、我々は新しい二段階融合戦略を提案する。 提案手法を定量的に定性的に評価し,既存手法よりも有意な改善を示した。
  論文  参考訳（メタデータ） (2022-04-03T19:33:09Z)
• Conditioning Trick for Training Stable GANs [70.15099665710336]
  本稿では,GANトレーニング中の不安定性問題に対応するため,ジェネレータネットワークに正規性から逸脱する条件付け手法を提案する。 我々は、生成元をシュア分解のスペクトル領域で計算された実サンプルの正規化関数から逸脱するように強制する。
  論文  参考訳（メタデータ） (2020-10-12T16:50:22Z)

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。