論文の概要: Distortion-Corrected Diffusion MRI Using Rotated-View EPI and Joint Field-Map/Image Estimation with Gaussian Primitives
- arxiv url: http://arxiv.org/abs/2606.31521v1
- Date: Tue, 30 Jun 2026 11:33:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.196861
- Title: Distortion-Corrected Diffusion MRI Using Rotated-View EPI and Joint Field-Map/Image Estimation with Gaussian Primitives
- Title（参考訳）: 回転視野 EPI を用いた歪み補正拡散MRIとガウス原始体を用いた共同フィールドマップ/画像推定
- Abstract要約: Echo Planar Imaging (EPI) は拡散と機能的ニューロイメージングの標準的な取得技術である。
EPI補正法は、まず並列画像を用いて歪んだ画像を再構成し、次にB0フィールドを推定し、画像領域の歪みを補正する。
k空間データから直接B0フィールドと歪みのない画像を共同で推定する物理インフォームド・フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 19.637125108820783
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Echo Planar Imaging (EPI) is the standard acquisition technique for diffusion and functional neuroimaging, enabling rapid imaging but suffering from geometric distortions caused by B0 field inhomogeneities. Existing correction methods first reconstruct distorted images using parallel imaging, then estimate the B0 field and correct the distortion in the image domain. In this sequential process, reconstruction artifacts at high acceleration factors and low SNR at high diffusion b-values degrade B0 estimation and limit the overall correction quality. We propose a physics-informed framework that jointly estimates the B0 field and distortion-free image directly from k-space data, without depending on an intermediate parallel-imaging reconstruction for the correction. The image and the B0 field are each represented as a superposition of Gaussian primitives embedded within an MRI physics forward model. The explicit, continuous parameterization captures both smooth regions and tissue boundaries and supports rotated-view EPI acquisitions without interpolation. The diffusion-weighted image is modeled as real and non-negative, with the image phase absorbed into a per-shot phase factor. Rotated views distribute distortions across multiple phase-encoding orientations, improving point spread function isotropy and providing stronger constraints for B0 estimation. On in vivo brain diffusion EPI, the proposed method attains the closest brain-boundary agreement with a distortion-free structural reference, with the largest improvement over sequential methods at high b-value and high acceleration. Extensive visual comparisons further show improved detail fidelity and noise suppression.
- Abstract（参考訳）: Echo Planar Imaging (EPI)は拡散と機能的ニューロイメージングの標準的な取得技術であり、高速撮像が可能だが、B0磁場の不均一性による幾何歪みに悩まされている。
既存の補正方法は、まず並列画像を用いて歪んだ画像を再構成し、次にB0フィールドを推定し、画像領域の歪みを補正する。
このシーケンシャルなプロセスでは、高加速率、高拡散b値の低SNRの再構成アーティファクトは、B0推定を劣化させ、全体的な補正品質を制限する。
補正のための中間並列画像再構成に依存することなく,k空間データから直接B0フィールドと歪みのない画像を共同で推定する物理インフォームド・フレームワークを提案する。
画像とB0フィールドは、それぞれMRI物理フォワードモデル内に埋め込まれたガウス原始体の重ね合わせとして表現される。
明示的で連続的なパラメータ化は、滑らかな領域と組織の境界の両方をキャプチャし、補間なしで回転ビュー EPI 取得をサポートする。
拡散強調画像は実数および非負数としてモデル化され、画像位相はショット毎の位相因子に吸収される。
回転ビューは複数の位相符号化方向にわたって歪みを分散し、点拡散関数等方性を改善し、B0推定に強い制約を与える。
In vivo での脳拡散 EPI において,提案手法は歪みのない構造参照と最も近い脳境界一致を達成し,高いb-値と高い加速度で逐次的に改善する。
広義の視覚比較では、ディテールの忠実度とノイズ抑制がさらに向上した。
関連論文リスト
- Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。
ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。
ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
論文 参考訳（メタデータ） (2026-05-29T02:48:23Z) - FINDER: Zero-Shot Field-Integrated Network for Distortion-free EPI Reconstruction in Diffusion MRI [3.758780571280516]
FINDER (Field-Integrated Network for Distortion-free EPI Reconstruction) はゼロショット・スキャン固有の新しいフレームワークである。
これは、基底画像と$B_0$フィールドマップの合同最適化として再構成を再構成する。
FINDERは、最先端のベースラインよりも優れた幾何学的忠実度と画質を実現する。
論文 参考訳（メタデータ） (2026-03-27T07:05:46Z) - Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。
本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。
CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-13T08:31:46Z) - 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) - Efficient Image-to-Image Schrödinger Bridge for CT Field of View Extension [10.352797961760976]
画像から画像までのSchr"odinger Bridge (I$2$SB)拡散モデルに基づく効率的なCT FOV拡張フレームワークを提案する。
I$2$SBは、実データで49.8,HU、実データで152.0HUのルート平均二乗誤差(RMSE)値で優れた定量的性能を達成する。
1ステップの推論では、2Dスライスあたり0.19秒で再構築が可能で、cDDPM (135秒) よりも700倍のスピードアップを示し、拡散GAN (0.58秒) を超えている。
論文 参考訳（メタデータ） (2025-08-15T04:41:05Z) - X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。
新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
論文 参考訳（メタデータ） (2025-03-27T17:59:57Z) - ACE-Net: AutofoCus-Enhanced Convolutional Network for Field Imperfection Estimation with application to high b-value spiral Diffusion MRI [2.913594619942038]
B0-不均一性や拡散符号化誘起渦電流からの時空間磁場の変動は、スパイラル、EPI、3Dコーンのような高速な画像符号化スキームに有害である。
本研究では,これらのフィールド不完全性を自動的に推定するためのデータ駆動手法を,オートフォーカスメトリクスとディープラーニングを組み合わせることによって開発する。
B0, eddyの正確な推定値が得られる高b値での単発スパイラル拡散MRIに適用し, 外部校正を必要とせずに高画質の画像再構成を行った。
論文 参考訳（メタデータ） (2024-11-21T23:20:14Z) - BlindDiff: Empowering Degradation Modelling in Diffusion Models for Blind Image Super-Resolution [52.47005445345593]
BlindDiff は SISR のブラインド劣化に対処するための DM ベースのブラインドSR 手法である。
BlindDiffはMAPベースの最適化をDMにシームレスに統合する。
合成データセットと実世界のデータセットの両方の実験は、BlindDiffが最先端のパフォーマンスを達成することを示している。
論文 参考訳（メタデータ） (2024-03-15T11:21:34Z) - GDCNet: Calibrationless geometric distortion correction of echo planar
imaging data using deep learning [0.1398098625978622]
この研究はGDCNetと呼ばれる新しいアプローチを実装し、T1重み付き解剖画像への非線形登録により幾何学的歪みマップを推定する。
GDCNetモデルは、予測データセットのTOPUPよりも14倍高速な処理速度を達成した。
論文 参考訳（メタデータ） (2024-02-29T00:42:33Z) - Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。
本稿では,階層型統合拡散モデル(HI-Diff)を提案する。
人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
論文 参考訳（メタデータ） (2023-05-22T12:18:20Z) - Generative Diffusion Prior for Unified Image Restoration and Enhancement [62.76390152617949]
既存の画像復元法は、主に自然画像の後方分布を利用する。
教師なしサンプリング方式で後部分布を効果的にモデル化するための生成拡散優先(GDP)を提案する。
GDPは、線形逆問題、非線形問題、ブラインド問題を解くために、プレトレインデノナイジング拡散生成モデル(DDPM)を利用する。
論文 参考訳（メタデータ） (2023-04-03T16:52:43Z) - Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。
その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。
画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
論文 参考訳（メタデータ） (2022-04-11T17:29:36Z)
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。