論文の概要: Physics-Informed Implicit Neural Representations for Improved Myocardial Perfusion MRI Quantification

• arxiv url: http://arxiv.org/abs/2608.11282v1
• Date: Tue, 11 Aug 2026 11:25:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.321465
• Title: Physics-Informed Implicit Neural Representations for Improved Myocardial Perfusion MRI Quantification
• Title（参考訳）: 改良型心筋灌流MRI定量化のための物理インフォームドインプシットニューラル表現法
• Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は、従来の非線形最小二乗フィッティング法に代わるものとして提案されている。 本研究では,従来提案されていたPINNフレームワークを暗黙的ニューラル表現(INR)で拡張し,MR信号を連続時間関数として表現する。 提案したINRを用いたPINNは,従来の手法よりもロバスト性およびパラメータ推定精度が向上したことを示す。
• 参考スコア（独自算出の注目度）: 1.2835484274728046
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Quantifying myocardial perfusion from cardiac magnetic resonance (CMR) can be achieved by fitting tracer-kinetic models to the dynamic contrast-enhanced MR data. However, fitting the observed data with multi-compartment exchange models, which describe the evolution of the contrast agent in the tissue, to estimate perfusion parameters is a challenging inverse problem that is sensitive to noise and acquisition variability. Previously, physics-informed neural networks (PINNs) have been proposed as an alternative to conventional non-linear least squares fitting methods with promising results for quantitative perfusion CMR. In this work, we extend the previously proposed PINN framework with spatiotemporal implicit neural representations (INRs) to represent the MR signal as a continuous spatiotemporal function and to improve the accuracy, smoothness, and physical consistency of the PINN model. In realistic simulated CMR datasets, our proposed PINN with INRs demonstrates improved robustness and parameter estimation accuracy over the previously established methods. The code is available at https://github.com/q-cardIA/pinn-inr.
• Abstract（参考訳）: 心臓磁気共鳴(CMR)からの心筋灌流の定量化は、トレーサー運動モデルとダイナミックコントラスト強調MRデータを組み合わせることで達成できる。 しかし, 組織内のコントラスト剤の進化を記述したマルチコンパートメント交換モデルを用いて, 拡散パラメータを推定することは, ノイズや収差に敏感な逆問題である。 これまで、物理インフォームドニューラルネットワーク(PINN)は、従来の非線形最小二乗フィッティング法に代わるものとして提案され、定量灌流CMRの有望な結果が得られた。 本研究では,従来提案されていたPINNフレームワークを拡張して,MR信号を連続時空間関数として表現し,PINNモデルの精度,滑らか性,物理的整合性を向上させる。 現実的なCMRデータセットにおいて,INRを用いたPINNは,従来確立されていた手法よりも頑健さとパラメータ推定精度が向上することを示した。 コードはhttps://github.com/q-cardIA/pinn-inr.comで公開されている。

関連論文リスト

• Deciphering Neural Reparameterized Full-Waveform Inversion with Neural Sensitivity Kernel and Wave Tangent Kernel [67.14508461124932]
  フルウェーブフォーム・インバージョン(FWI)は、限られた境界測定から波動方程式の未知のパラメータを推定する。 ニューラルリパラメータ化FWI(NeurFWI)の最近の進歩は、ニューラルネットワークを用いたパラメータを表現することによって、高品質な初期モデルとウェーブフィールドデータへの依存を減らすことができることを示している。 本研究では,ニューラル・センシティブ・カーネル (NSK) とウェーブ・タンジェント・カーネル (WTK) を構築し,それらの収束挙動をモデル領域とデータ領域の両方から解析する。
  論文  参考訳（メタデータ） (2026-05-14T04:49:23Z)
• Accelerating multiparametric quantitative MRI using self-supervised scan-specific implicit neural representation with model reinforcement [6.196152347946904]
  本稿では,暗黙的ニューラル表現とモデル強化モジュールを組み合わせたREFINE-MOREを提案する。 REFINE-MOREはベースライン法と比較して最小の正規化ルート平均二乗誤差と最高構造類似度指数を達成する。
  論文  参考訳（メタデータ） (2025-07-27T03:06:49Z)
• Implicit neural representations for accurate estimation of the standard model of white matter [2.1946354873884264]
  本研究は、暗黙的ニューラル表現(INR)に基づく推定フレームワークを導入する。 INRは入力座標の正弦波符号化による空間正則化を含む。 SMパラメータの推定におけるINR法の精度は,特に低信号対雑音条件において優れていた。
  論文  参考訳（メタデータ） (2025-06-18T15:40:42Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• qMRI Diffuser: Quantitative T1 Mapping of the Brain using a Denoising Diffusion Probabilistic Model [1.1278063431495107]
  定量的MRI(qMRI)は、組織特性に関連する客観的パラメータを提供することにより、重み付け画像よりも大きな利点を提供する。 深層学習に基づく手法は、一連の重み付き画像から定量的マップを推定する効果を実証している。 深部生成モデルを用いたqMRIの新しい手法であるqMRIディフューザを提案する。
  論文  参考訳（メタデータ） (2024-07-23T13:49:19Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)
• Joint MR sequence optimization beats pure neural network approaches for spin-echo MRI super-resolution [44.52688267348063]
  最近のMRIスーパーレゾリューション(SR)法は、ニューラルネットワーク(NN)の入力として典型的な臨床領域から取得したコントラストのみを使用する SR-TSEのためのMRシークエンスとニューラルネットワークパラメータのエンドツーエンド最適化を実現するための既知の演算子学習手法を提案する。
  論文  参考訳（メタデータ） (2023-05-12T14:40:25Z)
• 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)
• Learning Optimal K-space Acquisition and Reconstruction using Physics-Informed Neural Networks [46.751292014516025]
  深層ニューラルネットワークは、アンサンプされたk空間データの再構成に応用され、再構成性能が改善されている。 本研究は,k空間サンプリング軌道を正規微分方程式(ODE)問題と考えることによって学習する新しい枠組みを提案する。 実験は、異なるシーケンスで取得された様々な生き残りデータセット(例えば、脳と膝の画像)で実施された。
  論文  参考訳（メタデータ） (2022-04-05T20:28:42Z)
• Physics-informed neural networks for myocardial perfusion MRI quantification [3.318100528966778]
  本研究では, 心筋灌流MR定量化のための物理インフォームドニューラルネットワーク(PINN)を提案する。 PINNは、基礎となる物理保存法則を尊重しながら、観測された拡散MRデータに適合するように訓練することができる。
  論文  参考訳（メタデータ） (2020-11-25T16:02:52Z)
• Learning Bloch Simulations for MR Fingerprinting by Invertible Neural Networks [0.8399688944263843]
  Intrepid Neural Network (INNs) は、MSF再構成のための現在の後方ベースNNの代替となる可能性がある。 INNは、現在のMRF再構築のための後方ベースNNの代替となるかもしれない。
  論文  参考訳（メタデータ） (2020-08-10T14:09:03Z)

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。