論文の概要: UMPIRE-Net: Unrolled Magnitude-Phase Regularization Network for Accelerated MRI

• arxiv url: http://arxiv.org/abs/2608.14422v1
• Date: Fri, 14 Aug 2026 16:04:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.429897
• Title: UMPIRE-Net: Unrolled Magnitude-Phase Regularization Network for Accelerated MRI
• Title（参考訳）: Unrolled Magnitude-Phase Regularization Network for Accelerated MRI
• Abstract要約: 本稿では,PD-DL手法であるUMPIRE-Netを提案する。 我々は、異なるデータセットとアクセラレーション因子にまたがったPFを用いた加速MRIのためのUMPIRE-Netを評価する。
• 参考スコア（独自算出の注目度）: 4.511561231517167
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: MRI reconstruction from undersampled k-space measurements is an ill-posed inverse problem. Physics-driven deep learning (PD-DL) methods have shown strong performance for this task by combining the MRI forward model with learned image regularization within algorithm-unrolling frameworks. However, most existing PD-DL methods reconstruct complex-valued images directly, thereby implicitly coupling magnitude and phase within a single learned representation. This coupled regularization may be suboptimal in reconstruction settings where accurate phase modeling plays an important role, such as partial Fourier (PF) imaging, where recovery of the omitted asymmetric k-space measurements depends on the underlying image phase. In such scenarios, explicit modeling of magnitude and phase as separate components may reduce the reliance on externally estimated or predefined phase information. To this end, we propose UMPIRE-Net (Unrolled Magnitude-Phase In REgularization Network), a PD-DL method that introduces separate learned regularizers for magnitude and phase components, together with a novel data-fidelity formulation that enforces measurements consistency. We evaluate UMPIRE-Net for accelerated MRI with PF across different datasets and acceleration factors. Experimental results demonstrate that our proposed method improves reconstruction quality compared with a conventional complex-valued PD-DL baseline, yielding sharper images and reduced artifacts. Code available at: https://github.com/MahdiSaberii/UMPIRE-Net
• Abstract（参考訳）: アンダーサンプドk空間測定によるMRI再構成は逆問題である。 物理駆動型深層学習(PD-DL)法は,MRIフォワードモデルと学習画像正規化を併用することにより,この課題に対して高い性能を示した。 しかし、既存のPD-DL手法のほとんどは、複素数値画像を直接再構成し、単一の学習表現内で暗黙的に大きさと位相を結合させる。 この結合された正規化は、正確な位相モデリングが重要な役割を果たす再構成環境では、例えば部分フーリエ(PF)イメージングでは、省略された非対称k空間の測定の回復は、下層の画像位相に依存する。 このようなシナリオでは、分離されたコンポーネントとしての大きさと位相の明示的なモデリングは、外部で推定されたまたは事前に定義された位相情報への依存を減らすことができる。 そこで本研究では,大規模化と位相成分の分離学習正規化手法であるUMPIRE-Net(Unrolled Magnitude-Phase In Regularization Network)を提案する。 我々は、異なるデータセットとアクセラレーション因子にまたがったPFを用いた加速MRIのためのUMPIRE-Netを評価する。 実験の結果,提案手法は従来のPD-DLベースラインに比べて再現性が向上し,画像のシャープ化やアーティファクトの低減が図られた。 https://github.com/MahdiSaberii/UMPIRE-Net

関連論文リスト

• Compressive Imaging Reconstruction via Tensor Decomposed Multi-Resolution Grid Encoding [50.54887630778593]
  圧縮画像再構成(CI)は, 圧縮された低次元画像から高次元画像を復元することを目的としている。 既存の教師なし表現は、表現能力と効率の間の望ましいバランスを達成するのに苦労する。 本稿では,CI再構成のための非教師なし連続表現フレームワークである分割多重解像度グリッド符号化(GridTD)を提案する。
  論文  参考訳（メタデータ） (2025-07-10T12:36:20Z)
• Continuous Filtered Backprojection by Learnable Interpolation Network [48.52134830162271]
  本研究では,Leanable-Interpolation-based FBP (LInFBP) と呼ばれる新しいディープラーニングモデルを提案する。 提案した LInFBP では,選択した基底関数の線形結合として,離散シングラムデータの潜伏連続関数の局所部分をすべて定式化する。 次に、学習した潜伏連続関数をバックプロジェクションステップに利用し、FBPの深層学習を初めて活用する。
  論文  参考訳（メタデータ） (2025-05-03T09:50:27Z)
• Physics-Driven Autoregressive State Space Models for Medical Image Reconstruction [5.208643222679356]
  本研究では,高忠実かつ効率的な画像再構成のための物理駆動自己回帰状態空間モデル(SSM)であるMambaRollを提案する。 MambaRollは、各カスケードが粗いスケールの表現でより微細な特徴マップを自動回帰予測するアンロールアーキテクチャを採用している。 MambaRoll は最新 CNN 法, Transformer- 法, SSM 法を常に上回っている。
  論文  参考訳（メタデータ） (2024-12-12T14:59:56Z)
• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Analysis of Deep Image Prior and Exploiting Self-Guidance for Image Reconstruction [13.277067849874756]
  DIPがアンダーサンプドイメージング計測からどのように情報を回収するかを検討する。 ネットワーク重みと入力の両方を同時に最適化する自己駆動型再構築プロセスを導入する。 提案手法は,ネットワーク入力画像と再構成画像の両方の堅牢かつ安定した関節推定を可能にする,新しいデノイザ正規化項を組み込んだものである。
  論文  参考訳（メタデータ） (2024-02-06T15:52:23Z)
• vSHARP: variable Splitting Half-quadratic Admm algorithm for Reconstruction of inverse-Problems [7.043932618116216]
  vSHARP (variable Splitting Half-quadratic ADMM algorithm for Reconstruction of inverse Problems) は、医学的イメージング(MI)における不適切な逆問題の解法である。 データ一貫性のために、vSHARPは画像領域で微分勾配降下過程をアンロールし、一方、U-NetアーキテクチャのようなDLベースのデノイザは画質を高めるために適用される。 我々の最先端手法との比較分析は,これらの応用におけるvSHARPの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2023-09-18T17:26:22Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Searching a Compact Architecture for Robust Multi-Exposure Image Fusion [55.37210629454589]
  2つの大きなスタブリングブロックは、画素の不一致や非効率な推論など、開発を妨げる。 本研究では,高機能なマルチ露光画像融合のための自己アライメントとディテールリプレクションモジュールを取り入れたアーキテクチャ検索に基づくパラダイムを提案する。 提案手法は様々な競争方式より優れており、一般的なシナリオではPSNRが3.19%向上し、不整合シナリオでは23.5%向上した。
  論文  参考訳（メタデータ） (2023-05-20T17:01:52Z)
• Image Compressed Sensing with Multi-scale Dilated Convolutional Neural Network [2.719222831651969]
  本稿では,CS計測と再構成のためのMsDCNN(Multiscale Dilated Convolution Neural Network)という新しいフレームワークを提案する。 測定期間中、完全に畳み込み構造を用いる訓練された測定ネットワークから、すべての測定値を直接取得する。 再建期間中に,人間の視覚システムを模倣するマルチスケール特徴抽出(MFE)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-09-28T01:11:56Z)
• 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)
• ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
  本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。 高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。 パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-01-23T21:58:19Z)
• Robust partial Fourier reconstruction for diffusion-weighted imaging using a recurrent convolutional neural network [5.3580471186206005]
  繰り返し畳み込みによって実装されたデータ一貫性演算と正規化を交互に行うニューラルネットワークアーキテクチャが導出される。 重み付きネットワークや近位ネットワークのカスケードよりも、再帰的なネットワークによるアンローリングの方がよい結果が得られることを示すことができる。
  論文  参考訳（メタデータ） (2021-05-19T20:00:04Z)
• 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop [128.07841893637337]
  回帰に基づく手法は最近、単眼画像からヒトのメッシュを再構成する有望な結果を示した。 パラメータの小さな偏差は、推定メッシュと画像のエビデンスの間に顕著な不一致を引き起こす可能性がある。 本稿では,特徴ピラミッドを活用し,予測パラメータを補正するために,ピラミッドメッシュアライメントフィードバック(pymaf)ループを提案する。
  論文  参考訳（メタデータ） (2021-03-30T17:07:49Z)

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。