論文の概要: PhyMRI-SR: Toward Physics-Aware MRI Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2607.06238v1
• Date: Tue, 07 Jul 2026 13:06:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.529144
• Title: PhyMRI-SR: Toward Physics-Aware MRI Image Super-Resolution
• Title（参考訳）: PhyMRI-SR:物理を意識したMRI画像の超解像に向けて
• Abstract要約: 磁気共鳴イメージング(MRI)超解像は診断のアクセシビリティ向上に不可欠である。 ほとんどの方法は、固定された低解像度の入力から高解像度のターゲットへの決定論的マッピングとして扱う。 我々は、MRI超解像を物理認識再構成問題として再考し、最適分解能-SNR構成を特定することを目的とする。
• 参考スコア（独自算出の注目度）: 13.459705621719108
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic resonance imaging (MRI) super-resolution is vital for improving diagnostic accessibility, yet most methods treat it as a deterministic mapping from a fixed low-resolution input to a high-resolution target. This overlooks a key property of MRI acquisition physics: spatial resolution and signal-to-noise ratio (SNR) are inherently coupled, making any given low-resolution scan merely one of many possible realizations under varying acquisition trade-offs. We rethink MRI super-resolution as a physics-aware reconstruction problem, in which the goal is to identify the optimal resolution-SNR configuration and then super-resolve it to obtain high-quality MRI results. A key implication of this formulation is that MRI resolution becomes dynamic rather than fixed. To handle such resolution-heterogeneous inputs, we adapt 2D Gaussian Splatting (2D GS) to MRI by formulating reconstruction as a coordinate-based, resolution-agnostic rendering problem. To further enhance fidelity, we introduce three innovations: (1) a prior-aware Gaussian representation that combines an Anatomical Structure Prior for tissue-specific kernel initialization with an Imaging System Prior that captures hardware characteristics via a covariance dictionary; (2) a physics-constrained signal modeling scheme that predicts intrinsic tissue parameters (proton density rho and effective relaxation rate R2) and synthesizes intensities through governing physical equations, ensuring biophysically plausible contrast; and (3) a meta-learning framework that alleviates paired-data scarcity by pretraining on simulated data and adapting to real-world conditions. Extensive experiments on dynamic-resolution datasets and standard benchmarks demonstrate that our method achieves state-of-the-art performance, highlighting its strong potential for clinical deployment.
• Abstract（参考訳）: 磁気共鳴イメージング(MRI)超解像は診断のアクセシビリティ向上に不可欠であるが、ほとんどの方法では、固定された低分解能入力から高分解能ターゲットへの決定論的マッピングとして扱う。 空間分解能と信号対雑音比(SNR)は本質的に結合しており、任意の低分解能スキャンは、取得トレードオフの異なる多くの実現可能なものの1つである。 我々は、MRI超解像を物理認識再構成問題として再考し、最適分解能-SNR構成を特定し、それを超解して高品質なMRI結果を得る。 この定式化の重要な意味は、MRIの解像度が固定ではなく動的になることである。 このような分解能不均一な入力に対処するため、2次元ガウス格子(2D GS)をMRIに適応し、再構成を座標ベースで解像度に依存しないレンダリング問題として定式化する。 1)組織固有のカーネルの初期化に先立って,共分散辞書によるハードウェア特性のキャプチャを行うイメージングシステム,(2)固有組織パラメータ(プロトン密度rhoと有効緩和率R2)を予測し,物理方程式を制御して強度を合成する物理制約付き信号モデリングスキーム,(3)シミュレーションデータの事前トレーニングと実世界の条件への適応により,相互にデータ不足を緩和するメタ学習フレームワーク,である。 ダイナミック・レゾリューション・データセットと標準ベンチマークの大規模な実験により,本手法が最先端の性能を達成し,臨床応用の可能性を強調した。

関連論文リスト

• Physics-Driven 3D Gaussian Rendering for Zero-Shot MRI Super-Resolution [13.552352258334908]
  高分解能MRI(High- resolution Magnetic Resonance Imaging)は臨床診断に欠かせないが、長い取得時間と運動アーチファクトによって制限される。 超解像(SR)は低分解能スキャンを高分解能画像に再構成するが、既存の手法は相互に制約される。 データ要求と効率のバランスをとるために,明示的なガウス表現を用いたゼロショットMRI SRフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-10T13:00:42Z)
• DSA-SRGS: Super-Resolution Gaussian Splatting for Dynamic Sparse-View DSA Reconstruction [67.42242016220122]
  血管造影は脳血管疾患の補助的診断と治療のための重要な画像診断法である。 ガウススプラッティングと動的神経表現の最近の進歩は、スパースダイナミックインプットから頑健な3次元血管再構築を可能にしている。 本稿では、動的スパースビューDSA再構成のための初の超高分解能ガウススプラッティングフレームワークであるDSA-SRGSを提案する。
  論文  参考訳（メタデータ） (2026-03-05T03:41:08Z)
• Decoupling Multi-Contrast Super-Resolution: Pairing Unpaired Synthesis with Implicit Representations [6.255537948555454]
  マルチコントラスト・スーパーリゾリューション技術は、低解像度のコントラストの品質を高めることができる。 既存のMCSRメソッドは、しばしば固定解像度の設定を前提としており、すべて大きな完全にペアのトレーニングデータセットを必要とする。 本稿では,ペア化トレーニングデータの必要性を排除し,任意のアップスケーリングをサポートするモジュール型マルチコントラスト超解法フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-09T07:48:52Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Resolution- and Stimulus-agnostic Super-Resolution of Ultra-High-Field Functional MRI: Application to Visual Studies [1.8327547104097965]
  高分解能fMRIは脳のメソスケール組織への窓を提供する。 しかし、高い空間分解能はスキャン時間を増加させ、低信号とコントラスト-ノイズ比を補う。 本研究では,fMRIのための深層学習に基づく3次元超解像法を提案する。
  論文  参考訳（メタデータ） (2023-11-25T03:33:36Z)
• Robust Depth Linear Error Decomposition with Double Total Variation and Nuclear Norm for Dynamic MRI Reconstruction [15.444386058967579]
  Compressed Sensing (CS) に基づく動的MRI k-space 再構成にはまだ問題がある。 本稿では,高アンダーサンプリングフーリエ変換(DFT)を用いた高低レート動的MRI再構成モデルを提案する。 動的MRIデータに対する実験は、再構成精度と時間複雑性の両方の観点から、優れた性能を示す。
  論文  参考訳（メタデータ） (2023-10-23T13:34:59Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Optimization-Based Deep learning methods for Magnetic Resonance Imaging Reconstruction and Synthesis [0.0]
  この論文は、高度な非滑らかな変動モデル(Magnetic Resonance Image)MRI再構成、効率的な学習可能な画像再構成アルゴリズム、およびMRI再構成と合成のためのディープラーニング方法を提供することを目的としている。 第1部では、変動モデルのための近位勾配降下にインスパイアされたアーキテクチャを備えた、新規なディープニューラルネットワークを紹介している。 第2部は、離散時間最適フレームワークにおけるキャリブレーションフリー高速pMRI再構成問題を解くことにより、第1部における予備作業の実質的な拡張である。 第3部は、メタラーニングフレームワークにおいて、一般化可能な磁気共鳴イメージング(MRI)再構成法を開発することを目的としている。
  論文  参考訳（メタデータ） (2023-03-02T18:59:44Z)
• 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)
• 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)
• Cross-Modality High-Frequency Transformer for MR Image Super-Resolution [100.50972513285598]
  我々はTransformerベースのMR画像超解像フレームワークを構築するための初期の取り組みを構築した。 我々は、高周波構造とモード間コンテキストを含む2つの領域先行について考察する。 我々は,Cross-modality High- frequency Transformer (Cohf-T)と呼ばれる新しいTransformerアーキテクチャを構築し,低解像度画像の超解像化を実現する。
  論文  参考訳（メタデータ） (2022-03-29T07:56:55Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)

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。