論文の概要: PRIME-SVR: Physics-infoRmed Implicit Multi-Echo Slice-to-Volume Reconstruction for Fetal T2 mapping
- arxiv url: http://arxiv.org/abs/2607.20136v1
- Date: Wed, 22 Jul 2026 13:39:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-23 18:51:38.093176
- Title: PRIME-SVR: Physics-infoRmed Implicit Multi-Echo Slice-to-Volume Reconstruction for Fetal T2 mapping
- Title（参考訳）: PRIME-SVR : 胎児T2マッピングのための物理応用型インプリシトマルチエコースライス・ツー・ヴォーム再構成
- Abstract要約: マルチエコーMRIを用いた関節型HR再建のための最初の暗黙的神経表現フレームワークであるPRIME-SVRを提案する。
最先端のSVRと比較して、PRIME-SVRは再構築を47%改善し、解剖学的精度を30%改善し、相互構造一貫性を14%改善した。
これは以前にSVRに到達できなかった後期TEでの再構成を可能にし、最初の0.8mm等方性T2マップは0.55 Tで、最初のT2マップはINRベースのSVRから派生したものである。
- 参考スコア（独自算出の注目度）: 12.453071053418888
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Slice-to-volume reconstruction (SVR) is the standard method for obtaining high-resolution (HR) 3D fetal brain volumes from motion-corrupted 2D MRI slice stacks acquired in multiple orientations. Existing SVR methods are optimized and validated only for clinical-range echo times (TEs), limiting their use at non-clinical TEs and making them incompatible with quantitative T2 mapping, a protocol- and center-independent biomarker of fetal brain maturation requiring HR reconstructions across multiple TEs. We present PRIME-SVR, the first implicit neural representation (INR) framework for joint HR reconstruction from multi-echo MRI. A single fully connected network models a continuous function from spatial coordinates to signal intensities across TEs, while a second network estimates slice-specific acquisition degradations. Cross-TE coherence is enforced via a Bloch equation-derived regularization penalizing deviations from expected T2 decay, with adaptive weighting that strengthens coupling for degraded stacks. The method is fully self-supervised. We validate PRIME-SVR on 39 in vivo fetal acquisitions (13 subjects x 3 TEs) from two centers, two vendors, and two field strengths (1.5 T and 0.55 T). Compared to state-of-the-art SVR, PRIME-SVR improves reconstruction sharpness by 47%, anatomical accuracy by 30%, and cross-TE structural consistency by 14%. It enables reconstruction at late TEs previously inaccessible to SVR, yielding the first 0.8 mm isotropic T2 maps at 0.55 T and the first T2 maps derived from INR-based SVR. PRIME-SVR also accelerates quantitative imaging by reducing the data needed for multi-TE reconstruction, cutting acquisition from 15 to 10 minutes while keeping T2 accuracy within 1.7% in white and deep gray matter, or to 5 minutes with a mean T2 error of 2.3% for high-quality acquisitions.
- Abstract（参考訳）: スライス・ツー・ボリューム(Slice-to-volume Restruction, SVR)は、高分解能(HR)3次元胎児脳容積を得るための標準的な方法である。
既存のSVR法は、臨床範囲のエコー時間(TE)にのみ最適化され、非臨床領域のTEでの使用を制限し、複数のTEでHR再構成を必要とする胎児脳成熟のプロトコルおよび中心非依存バイオマーカーである定量的T2マッピングと互換性のないものにしている。
マルチエコーMRIを用いた関節型HR再建のための最初の暗黙的神経表現(INR)フレームワークであるPRIME-SVRを提案する。
1つの完全に接続されたネットワークは、空間座標からTE間の信号強度への連続的な関数をモデル化し、第2のネットワークはスライス固有の取得劣化を推定する。
クロス・TEコヒーレンス(英語版)はブロッホ方程式に基づく正則化(英語版)により、期待されるT2崩壊からの逸脱を罰し、劣化したスタックの結合を強化する適応重み付け(英語版)によって実施される。
その方法は完全に自己管理されている。
PRIME-SVRは2つのセンター,2つのベンダー,および2つのフィールド強度 (1.5 T, 0.55 T) から39個の胎児(被験者 x 3 TEs)を採取した。
最新のSVRと比較して、PRIME-SVRは再建のシャープネスを47%改善し、解剖学的精度を30%向上し、クロスプラットフォーム構造は14%向上した。
これは以前にSVRに到達できなかった後期TEでの再構成を可能にし、最初の0.8mm等方性T2マップは0.55 Tで、最初のT2マップはINRベースのSVRから派生したものである。
PRIME-SVRは、マルチTE再構成に必要なデータを減らし、取得を15分から10分に短縮し、白と深白の物質のT2精度を1.7%以内、または高品質の取得に対して平均T2誤差2.3%で5分に抑えることで、定量化を加速する。
関連論文リスト
- Anatomically Consistent Cross-Contrast Super-Resolution of Anisotropic Brain T2w MRI [3.5565466835374036]
VIPP-SRはクロスコントラストガイド付き超高解像度フレームワークである。
これは異方性T2w体積の平面間分解能を等方性接地T2wなしで復元する。
その結果、VIPP-SRは真の異方性T2wベースラインよりも下流のセグメンテーションを改善することが確認された。
論文 参考訳（メタデータ） (2026-08-09T01:38:14Z) - Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。
2次元空間伝搬伝搬に基づくC-GSPNを提案する。
論文 参考訳（メタデータ） (2026-05-30T14:29:43Z) - D3Seg: Dependency-Aware Diffusion for Brain Tumor Segmentation with Missing Modalities [54.87947751720332]
欠落モード設定下での安定した性能を維持するために,新しいセグメンテーションモデルD3Segを提案する。
提案モデルでは, 腫瘍造影法 (ET) で約1.5～2.0%, 腫瘍コア法 (TC) で約1.0%, 複数の欠損モードで約1.0%を達成している。
論文 参考訳（メタデータ） (2026-05-21T09:55:42Z) - Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。
T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。
本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
論文 参考訳（メタデータ） (2026-04-01T14:50:18Z) - Fast Multi-Stack Slice-to-Volume Reconstruction via Multi-Scale Unrolled Optimization [6.712738779940082]
本稿では,複数の2次元スライススタックを融合してコヒーレントな3次元構造を復元する高速畳み込みフレームワークを提案する。
胎児脳MRIを用いて, 高品質な3Dボリュームを10秒未満で再構成し, 1sスライス登録と精度を最先端の反復SVRパイプラインと比較した。
論文 参考訳（メタデータ） (2026-01-12T13:18:49Z) - Physics-Informed Joint Multi-TE Super-Resolution with Implicit Neural Representation for Robust Fetal T2 Mapping [8.33928295998475]
胎児脳MRIにおけるT2マッピングは、特に中野(0.55T)における発達脳の特徴を改善する可能性がある
現在、T2マッピングには、各エコー時間(TE)でこれらのスタックの繰り返し取得が含まれており、長いスキャン時間と動きに対する高い感度をもたらす。
TE間でデータを共同で再構築し、厳しい動きに対処する手法により、この問題に対処する。
我々のアプローチは、暗黙の神経表現と物理インフォームド正規化を組み合わせることで、T2崩壊をモデル化し、解剖学的および定量的なT2忠実性を維持しながら、TE間での情報共有を可能にする。
論文 参考訳（メタデータ） (2025-08-14T14:24:10Z) - ReCoSeg++:Extended Residual-Guided Cross-Modal Diffusion for Brain Tumor Segmentation [0.9374652839580183]
より大きく異質なBraTS 2021データセットにReCoSegアプローチを拡張した,半教師付き2段階のフレームワークを提案する。
第1段階では、残留誘導拡散確率モデル (DDPM) がFLAIR, T1, T2スキャンからT1ceモダリティを再構成することにより、クロスモーダル合成を行う。
第2段階では、軽量なU-Netが残基マップの連結を入力として、T1, T2, FLAIRによるT1ceと合成されたT1ceの差として計算し、腫瘍全体のセグメンテーションを改善する。
論文 参考訳（メタデータ） (2025-08-01T20:24:31Z) - Self-Supervised Adversarial Diffusion Models for Fast MRI Reconstruction [1.167578793004766]
本稿では,自己教師付き深層学習圧縮拡散センシングMRI(DL)法を提案する。
対象はT1データセット(T1-w)50例であった。
ReconFormer TransformerとSS-MRIを比較し、正規化平均誤差(NMSE)、ピーク信号-雑音比(PSNR)、類似度指数(SSIM)を用いて性能を評価する。
論文 参考訳（メタデータ） (2024-06-21T21:22:17Z) - Generalizable synthetic MRI with physics-informed convolutional networks [57.628770497971246]
物理インフォームド・ディープ・ラーニング(Deep Learning-based)法を開発し,複数の脳磁気共鳴画像(MRI)のコントラストを1つの5分間の取得から合成する。
我々は、任意のコントラストに一般化し、ニューロイメージングプロトコルを加速する能力について検討する。
論文 参考訳（メタデータ） (2023-05-21T21:16:20Z) - Moving from 2D to 3D: volumetric medical image classification for rectal
cancer staging [62.346649719614]
術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。
直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-13T07:10:14Z) - 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。
提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
論文 参考訳（メタデータ） (2020-04-20T11:41:01Z) - Deep Learning Estimation of Multi-Tissue Constrained Spherical
Deconvolution with Limited Single Shell DW-MRI [2.903217519429591]
深層学習は、第8次制約付き球面デコンボリューション(CSD)によって得られた情報内容を推定するために用いられる。
2つのネットワークアーキテクチャについて検討する: 中央に残留ブロックを持つ完全連結層からなる逐次ネットワーク(ResDNN)と、残ブロックを持つパッチベースの畳み込みニューラルネットワーク(ResCNN)。
繊維配向分布関数 (fODF) はマルチシェルDW-MRIの取得から得られたMT-CSTの基底的真実と比較して高い相関で復元できる。
論文 参考訳（メタデータ） (2020-02-20T15:59:03Z)
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。