論文の概要: Generative Brownian Bridge Diffusion In Motion Space For Enhanced Myocardial Strain Analysis

• arxiv url: http://arxiv.org/abs/2608.01677v1
• Date: Mon, 03 Aug 2026 04:14:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.325702
• Title: Generative Brownian Bridge Diffusion In Motion Space For Enhanced Myocardial Strain Analysis
• Title（参考訳）: 運動空間におけるブラウン橋拡散の心筋ひずみ解析への応用
• Authors: Rishov Paul, Frederick H. Epstein, Miaomiao Zhang,
• Abstract要約: 本稿では、生成モデルのパワーを活用して、日常的に取得されたCMR配列から高品質な運動由来のひずみ値を合成する。 本フレームワークは,既存の学習手法と比較して,標準CMRの動作予測とひずみ解析の精度を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 1.3197661857419962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Myocardial strain analysis of cardiac magnetic resonance (CMR) images provides an important tool for evaluating cardiac function. However, current techniques require either human-adjusted post-processing with suboptimal regional accuracy, or specialized and costly imaging acquisitions. In this paper, we propose to leverage the power of generative models to synthesize high-quality motion-derived strain values from routinely acquired CMR sequences. Specifically, we develop a novel Brownian bridge diffusion model in motion space to learn the probabilistic mapping between standard CMR motion estimated from widely adopted registration methods and highly accurate motion provided by advanced strain imaging techniques. To promote the fidelity of anatomical structure in the generation process, our model is conditioned on the corresponding CMR images. We validate our method on large-scale multi-center CMR datasets including subjects of paired standard cine CMR and advanced strain imaging acquisitions. Experimental results demonstrate that our framework significantly improves the accuracy of motion prediction and strain analysis from standard CMRs compared to existing learning-based approaches. Our research represents a new paradigm for potentially developing cost-effective, clinically deployable AI tools for cardiac function assessment with enhanced strain accuracy in busy clinical workflows. Our code is publicly available at anonymous.4open.science/r/Brownian-Bridge-strain-analysis-1140.
• Abstract（参考訳）: 心臓磁気共鳴(CMR)画像の心筋ひずみ解析は、心臓機能を評価する重要なツールとなる。 しかし、現在の技術では、最適な地域差の精度で人間の調整後処理を行うか、特別な画像取得とコストのかかる画像取得を必要とする。 本稿では、生成モデルのパワーを活用して、日常的に取得されたCMR配列から高品質な運動誘発ひずみ値を合成する。 具体的には, 広範に採用されている登録法から推定される標準CMRモーションと, 高度なひずみイメージング技術により得られた高精度な動きの確率的マッピングを学習するために, 動き空間におけるブラウン橋拡散モデルを開発した。 生成過程における解剖学的構造の忠実性を促進するため,本モデルは対応するCMR画像に条件付けされる。 本手法は,CMRとCMRを併用した大規模マルチセンターCMRデータセットについて検証した。 実験の結果,既存の学習手法と比較して,標準CMRの動作予測とひずみ解析の精度が有意に向上することが確認された。 我々の研究は、多忙な臨床ワークフローにおける歪み精度を向上した心機能評価のための費用効率の高い、臨床展開可能なAIツールを開発するための新しいパラダイムである。 我々のコードは匿名.4open.science/r/Brownian-Bridge-strain-analysis-1140で公開されている。

関連論文リスト

• A Proof-of-Concept Study of Multitask Learning for Cranial Synthetic CT Generation Across Heterogeneous MRI Field Strengths [8.210095985939775]
  我々は頭蓋骨CT合成をモジュラー構造結合問題として定式化する。 異種MRI条件間のロバスト性を改善するためのディープラーニングフレームワークを提案する。 マルチサイトデータセットの実験では、従来の手法に比べて性能と一般化が向上した。
  論文  参考訳（メタデータ） (2026-04-30T17:36:36Z)
• Unsupervised Motion-Compensated Decomposition for Cardiac MRI Reconstruction via Neural Representation [22.258006903991404]
  MoCo-INRは、暗黙の神経表現(INR)と従来のモーション補償(MoCo)フレームワークを統合する、新しい教師なしの手法である。 明示的な運動モデリングとINRの連続的先行により、MoCo-INRは正確な心臓運動の分解と高品質なCMR再構成を実現できる。
  論文  参考訳（メタデータ） (2025-11-14T16:05:37Z)
• 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)
• LaMoD: Latent Motion Diffusion Model For Myocardial Strain Generation [5.377722774297911]
  本稿では,標準CMRビデオから高精度なDENSE動作を予測するため,新しいラミネートモーション拡散モデル(LaMoD)を提案する。 実験の結果,提案手法であるLaMoDは標準CMR画像の動作解析の精度を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-07-02T12:54:32Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• 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。