論文の概要: Motion Artifact-Aware Self-Supervised Representation Learning for 3D Brain MRI Motion Artifact Reduction

• arxiv url: http://arxiv.org/abs/2608.10170v1
• Date: Mon, 10 Aug 2026 19:37:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.796639
• Title: Motion Artifact-Aware Self-Supervised Representation Learning for 3D Brain MRI Motion Artifact Reduction
• Title（参考訳）: 運動アーチファクトを考慮した3次元脳MRI運動アーチファクト低減のための自己教師付き表現学習
• Abstract要約: SSRL-MARは、動きアーチファクトの低減のための、動きアーチファクトを意識した表現学習フレームワークである。 SSRL-MARは、SSRL-MARがPSNR 23.81dB、SSIM 91.55%、NMSE 0.79%を達成した。 In-vivo MR-ARTデータセットでは、事前訓練されたモデルにより運動歪みが減少し、教師なし領域適応により解剖学的忠実度はさらに向上した。
• 参考スコア（独自算出の注目度）: 5.935221658266667
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Patient motion remains a source of image degradation in brain MRI, leading to signal loss, blurring, and geometric distortion that compromise quantitative analysis. Existing deep learning methods for motion correction typically rely on paired clean-corrupted data or k-space acquisitions, which are rarely available in clinical settings. We propose SSRL-MAR, a motion artifact-aware unpaired representation learning framework for motion artifact reduction that requires neither paired training data nor explicit motion labels. SSRL-MAR employed a three-stage training strategy: (1) contrastive learning on 3D patches to extract motion representations by contrasting clean and synthetically corrupted images, (2) a motion artifact-aware synthesis network to generate motion artifacts from clean scans, and (3) a motion artifact-aware generator to restore clean volumes using the learned degrader for self-supervised supervision. On in-silico dataset, SSRL-MAR achieved PSNR 23.81dB, SSIM 91.55%, and NMSE 0.79%. On in-vivo MR-ART dataset, the pretrained model reduced motion distortion, and unsupervised domain adaptation further improved anatomical fidelity. Against a source-only supervised model trained on the same simulated pairs, SSRL-MAR improved PSNR by up to 2.0 dB on MR-ART after unsupervised domain adaptation, and remained within 0.25-0.47 dB of an oracle supervised model that requires real paired data unavailable in practice. At the milder motion level, volumetric error in structures such as the corpus callosum and ventricular system decreased by more than 50%, confirming improved neuroanatomical consistency. These results indicate that SSRL-MAR provides a robust and scalable image-domain solution for 3D brain MRI motion correction, enabling reliable structural quantification in large-scale neuroimaging studies without requiring prospectively acquired pairs or acquisition-specific calibration.
• Abstract（参考訳）: 患者の動きは、脳MRIにおける画像劣化の原因であり、信号の喪失、ぼやけ、および定量的分析を損なう幾何学的歪みにつながる。 動作補正のための既存のディープラーニング手法は、典型的にはペア化されたクリーン崩壊したデータやk空間の取得に依存しており、臨床環境ではほとんど利用できない。 SSRL-MARは,2組のトレーニングデータや明示的なモーションラベルを必要としない,動きアーチファクト削減のための,動きアーティファクトを意識しない表現学習フレームワークである。 SSRL-MARは,(1)クリーンで合成された画像との対比による3Dパッチの対比学習,(2)クリーンスキャンから運動人工物を生成する運動人工物認識合成ネットワーク,(3)学習用劣化器を用いてクリーンボリュームを復元する運動人工物認識ジェネレータの3段階の訓練戦略を採用した。 SSRL-MARは、SSRL-MARがPSNR 23.81dB、SSIM 91.55%、NMSE 0.79%を達成した。 In-vivo MR-ARTデータセットでは、事前訓練されたモデルにより運動歪みが減少し、教師なし領域適応により解剖学的忠実度はさらに向上した。 同じシミュレートされたペアでトレーニングされたソースのみの教師付きモデルに対して、SSRL-MARは、教師なしドメイン適応後のMR-ART上のPSNRを最大2.0dB改善し、実際に使用できない実際のペアデータを必要とするオラクルの教師付きモデルの0.25-0.47dB以内にとどまった。 軽度運動では, コーパス・カロサムや心室系などの構造では容積誤差が50%以上減少し, 神経解剖学的整合性の改善が確認された。 以上の結果から,SSRL-MARは3次元脳MRI運動補正のための堅牢でスケーラブルな画像ドメインソリューションを提供し,前向きに獲得したペアや獲得固有の校正を必要とせず,大規模神経画像研究において信頼性の高い構造的定量化を可能にすることが示唆された。

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)
• 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)
• MotionDPS: Motion-Compensated 3D Brain MRI Reconstruction [39.243053176227065]
  そこで本研究では, 解剖画像, 剛体運動パラメータ, コイル感度マップを, k-spaceデータから直接推定する動き補償3次元MRIを提案する。 提案手法は,3次元複雑なスコアベース拡散モデルを物理ベースフォワードモデル内に表現型解剖画像として組み込んだものである。 シミュレーションおよびリアルタイム脳MRIデータを用いた実験により,提案手法は画像の質と動きの堅牢性を向上することを示した。
  論文  参考訳（メタデータ） (2026-05-21T07:53:06Z)
• Degradation-Aware Blur-Segmentation of Brain Tumor [6.772154747032075]
  Degradation-Aware Blur-Segmentation Net (DABSeg) は、同期型3次元マルチモーダルMRIセグメンテーションネットワークである。 本稿では,ブラーとリバランスの強度を補正する特徴領域の運動分解ステムを提案する。 システムは、モダリティの効果的な相補性を得るために、ぼやけたクロスアテンションモジュールとマルチスケールの残留アグリゲーションを組み込む。
  論文  参考訳（メタデータ） (2026-05-15T06:47:37Z)
• AI Approach for MRI-only Full-Spine Vertebral Segmentation and 3D Reconstruction in Paediatric Scoliosis [0.0]
  小児画像のCTよりMRIが好ましいのは、電離放射線を避けるためである。 脊椎変形評価におけるその使用は、自動化された高解像度の3Dボニー再構成の欠如により、大きく制限されている。 本研究では,MRIのみによる全自動胸腰椎(T1-L5)セグメンテーションと3次元再構成を可能にするAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-20T05:57:06Z)
• FDP: A Frequency-Decomposition Preprocessing Pipeline for Unsupervised Anomaly Detection in Brain MRI [44.4791295950757]
  我々は脳MRIのための教師なし異常検出(UAD)アプローチを開発した。 病的シグネチャの最初の系統的周波数領域解析を行う。 周波数分割前処理(FDP)フレームワークは,周波数領域再構成を同時に行うことで,病態の抑制と解剖学的保存を同時に行うことができることを示す。
  論文  参考訳（メタデータ） (2025-11-17T02:40:14Z)
• Estimation of Head Motion in Structural MRI and its Impact on Cortical Thickness Measurements in Retrospective Data [4.072070248526498]
  MRIでは運動関連アーティファクトは避けられない これらのアーティファクトは、皮質厚みなどの自動神経解剖学的指標をバイアスすることができる。 ここでは、3次元畳み込みニューラルネットワークをトレーニングし、振り返りの定期的な研究スキャンで要約運動距離を推定する。
  論文  参考訳（メタデータ） (2025-05-29T18:08:59Z)
• DIMA: DIffusing Motion Artifacts for unsupervised correction in brain MRI images [4.117232425638352]
  DIMA(DIffusing Motion Artifacts)は、拡散モデルを活用する新しいフレームワークであり、脳MRIにおける教師なしモーションアーティファクトの修正を可能にする。 我々の2段階のアプローチは、まず、障害のない動画像上の拡散モデルを訓練し、運動成果物の分布を学習する。 このモデルは、クリーンな画像上で現実的なモーションアーティファクトを生成し、修正ネットワークの教師付きトレーニングに適したペア化されたデータセットを作成する。
  論文  参考訳（メタデータ） (2025-04-09T10:43:38Z)
• 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images via Vessel Probability Guided Attenuation Learning [79.60829508459753]
  現在の商用デジタルサブトラクション・アンジオグラフィー(DSA)システムは通常、再構築を行うために数百のスキャンビューを要求する。 スパース・ビューDSA画像のダイナミックな血流と不十分な入力は,3次元血管再建作業において重要な課題である。 本稿では,時間に依存しない容器確率場を用いてこの問題を効果的に解くことを提案する。
  論文  参考訳（メタデータ） (2024-05-17T11:23:33Z)
• A self-attention model for robust rigid slice-to-volume registration of functional MRI [4.615338063719135]
  fMRIスキャン中の頭部の動きは、歪み、偏りの分析、コストの増加をもたらす。 本稿では,2次元fMRIスライスを3次元参照ボリュームに整列するエンド・ツー・エンドSVRモデルを提案する。 本モデルは,最先端のディープラーニング手法と比較して,アライメント精度の面での競合性能を実現する。
  論文  参考訳（メタデータ） (2024-04-06T08:02:18Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• 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。