論文の概要: CUPA-T2*: Covariance-Aware Uncertainty Propagation and Alignment for T2* Mapping in Accelerated MRI

• arxiv url: http://arxiv.org/abs/2608.08693v1
• Date: Sun, 09 Aug 2026 13:13:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.917717
• Title: CUPA-T2*: Covariance-Aware Uncertainty Propagation and Alignment for T2* Mapping in Accelerated MRI
• Title（参考訳）: CUPA-T2*: 加速MRIにおけるT2*マッピングのための共分散型不確実性伝播とアライメント
• Abstract要約: CUPA-T2*はモンテカルロ液滴から下流T2*へのボクセル間不確実性を伝播するフレームワークである。 総合的なT2*フィッティング性能を実現し、より高い加速度でホワイトマター性能を向上させる。
• 参考スコア（独自算出の注目度）: 2.9276644927540043
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quantitative T2* maps have strong potential for biomarker discovery but are limited by long scan times, rendering them impractical in clinical settings. Significant acceleration can be achieved through undersampling in k-space combined with learning-based reconstruction. However, reconstruction artifacts and noise can propagate into downstream T2* fitting, degrading its accuracy. We introduce CUPA-T2*, a framework that explicitly propagates voxel-wise inter-echo uncertainty from stochastic Monte Carlo dropout reconstructions to downstream T2* fitting via covariance-aware sampling. T2* fitting is performed with a heteroscedastic MLP and a correlation-based regularizer that encourages alignment between predicted variance and reconstruction uncertainty. Experiments on accelerated brain MRI data show tissue-dependent behavior: CUPA-T2* achieves competitive overall T2* fitting performance and improves white-matter performance at higher accelerations. Compared with a heteroscedastic baseline, the proposed framework substantially increases alignment between reconstruction uncertainty and predicted T2* variance, while also revealing a trade-off with calibration (ECE) and selective prediction performance (AURC). CUPA-T2* enables reconstruction uncertainty-aware T2* fitting and delivers voxel-wise uncertainty maps to support the interpretation of quantitative T2* estimates.
• Abstract（参考訳）: 定量的なT2*マップはバイオマーカー発見の可能性が強いが、長いスキャン時間によって制限され、臨床環境では実用的ではない。 k空間のアンダーサンプリングと学習に基づく再構築を組み合わせることで、重要な加速を実現することができる。 しかし、復元アーティファクトやノイズは下流のT2*フィッティングに伝播し、精度を低下させる。 CUPA-T2*は,確率的モンテカルロドロップアウト再構成によるボクセル間不確実性を,共分散型サンプリングによる下流T2*適合に明示的に伝播するフレームワークである。 T2*フィッティングは、予測分散と再構成の不確実性の間のアライメントを促進するヘテロスセダスティックMLPと相関ベースの正則化器で実行される。 CUPA-T2*は、競争全体のT2*フィッティング性能を達成し、より高い加速度でホワイトマッター性能を向上させる。 提案手法は, 不均質なベースラインと比較して, 再構成の不確かさと予測されたT2*分散との整合性を大幅に向上するとともに, キャリブレーション(ECE)と選択的予測性能(AURC)とのトレードオフを明らかにした。 CUPA-T2*は、再構成の不確実性を認識したT2*フィッティングを可能にし、定量的なT2*推定の解釈を支援するために、ボクセルワイドの不確実性マップを提供する。

関連論文リスト

• Tumor-aware augmentation with task-guided attention analysis improves rectal cancer segmentation from magnetic resonance images [1.3958880590777554]
  CT-MRI転送における2つの動作障害モードを示す。 ゼロパディングによる非効率なトークンの使用は、事前訓練された入力次元と非効率な特徴適応とを一致させる。 同一の直腸MRIデータセットの微調整により、SMITでは224/247 (90.7%)、Swin UNETRでは219/247 (88.7%)に検出速度が向上した。
  論文  参考訳（メタデータ） (2026-05-06T23:46:46Z)
• 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)
• Taming the Instability: A Robust Second-Order Optimizer for Federated Learning over Non-IID Data [77.19117648492104]
  We present Federated Robust Curvature Optimization (FedRCO), a novel second-order optimization framework designed to improve convergence speed and reduce communication cost。 FedRCOは、効率的な近似曲率と証明可能な安定性メカニズムを統合することで、これらの課題に対処する。 我々は,FedRCOが,最先端の1次法と2次法のどちらよりも高い精度と高速な収束を実現しつつ,多種多様な非IIDシナリオに対して優れたロバスト性を実現することを示す。
  論文  参考訳（メタデータ） (2026-03-30T11:37:46Z)
• Bootstrapped Physically-Primed Neural Networks for Robust T2 Distribution Estimation in Low-SNR Pancreatic MRI [1.2899392854599374]
  本稿では,ロバストな分布T2推定のためのブートストラップに基づく推論フレームワークを提案する。 提案手法では, 推定時間ブートストレッピングを用いて, ノイズアーティファクトの滑らか化と, 基礎となる緩和分布への忠実度の向上を図る。 これらの結果から,低SNR腹部造影像における定量的T2緩和法の有用性が示唆された。
  論文  参考訳（メタデータ） (2026-03-14T19:10:46Z)
• From Broad Exploration to Stable Synthesis: Entropy-Guided Optimization for Autoregressive Image Generation [53.759125791348396]
  Reinforcement Learning (RL) によるChain-of-Thought (CoT) は、テキスト・ツー・イメージ(T2I) の生成を改善する。 本稿では,3つの重要な洞察をもたらすエントロピーに基づく系統的分析について述べる。 本稿では,不確実性により最適化予算を再配置する微調整戦略であるエントロピー誘導グループ相対政策最適化(EG-GRPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-12T12:49:26Z)
• Plug-and-Play Diffusion Meets ADMM: Dual-Variable Coupling for Robust Medical Image Reconstruction [45.25461515976432]
  画像再構成のための強力なパラダイムとして,DP(Plug-and-Play diffusion prior)フレームワークが登場した。 本稿では, バイアス・ハロシン化トレードオフを解消し, 収束を著しく加速した最先端の勾配を実現するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-02-26T16:58:43Z)
• Stochastic Primal-Dual Double Block-Coordinate for Two-way Partial AUC Maximization [45.99743804547533]
  2方向部分AUCAUCは、不均衡なデータを持つバイナリ分類における重要な性能指標である。 TPAUC最適化のための既存のアルゴリズムは未探索のままである。 TPAUC最適化のための2つの革新的な二重座標ブロック座標アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2025-05-28T03:55:05Z)
• T1-PILOT: Optimized Trajectories for T1 Mapping Acceleration [4.662327345551211]
  本稿では,T1信号緩和モデルをサンプリング・再構成フレームワークに明示的に組み込むエンドツーエンド手法であるT1-PILOTを紹介する。 CMRxReconデータセットに関する広範な実験を通じて、T1-PILOTはいくつかのベースライン戦略を大幅に上回っている。 この結果から, 物理緩和モデルによるタンデムのサンプリング軌道の最適化により, 定量的精度が向上し, 取得時間が短縮されることがわかった。
  論文  参考訳（メタデータ） (2025-02-27T18:02:27Z)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• P2T2: a Physically-primed deep-neural-network approach for robust $T_{2}$ distribution estimation from quantitative $T_{2}$-weighted MRI [0.0]
  MRIデータからT$の緩和時間分布を推定すると、様々な病態における炎症、脱髄、浮腫、軟骨組成を評価する貴重なバイオマーカーが得られる。 ディープニューラルネットワーク(DNN)に基づく手法は、MRIデータから$T$分布を推定する逆問題に対処するために提案されているが、SNR(Signal-to-Noise ratio)の低い臨床データには十分ではない。 我々は、信号減衰を前方に組み込む、$PT$と呼ばれる物理的に高価なDNNアプローチを提案する。
  論文  参考訳（メタデータ） (2022-12-08T09:20:11Z)

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。