論文の概要: Primitive Representation Learning for Unsupervised Dynamic Contrast Enhanced MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2608.18055v2
- Date: Wed, 19 Aug 2026 13:26:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 13:35:39.336141
- Title: Primitive Representation Learning for Unsupervised Dynamic Contrast Enhanced MRI Reconstruction
- Title（参考訳）: 教師なしダイナミックコントラスト強調MRI再構成のための原始表現学習
- Abstract要約: 動的コントラスト強調再構成のための原始的なMRIベースのフレームワークを提案する。
このアーキテクチャは,従来の再建手法と競合する性能を発揮することを示す。
モジュラー層の設計は自然に、追加の動的因子とより高い加速率に拡張される。
- 参考スコア（独自算出の注目度）: 19.71957346539569
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reliable quantitative analysis of dynamic contrast-enhanced MRI requires high-quality spatiotemporal reconstructions at high undersampling rates. Scan-specific reconstructions using Gaussian and Gabor primitives have shown promising results without the need for large training datasets, but have not addressed the additional dimension of dynamic contrast. We propose a multi-dimensional, primitive based framework for dynamic contrast-enhanced MRI reconstruction that disentangles the underlying anatomy, the dynamic contrast enhancement, and residual motion into separate temporal basis functions, thereby enabling a geometrical interpretation of the representation. We show that this architecture achieves performance competitive with conventional reconstruction methods, both in reconstruction quality and in the accuracy of extracted aorta and kidney enhancement curves. The modular tier design extends naturally to additional dynamic factors and higher acceleration rates. Code available at https://github.com/compai-lab/2026-GaborDCE-spieker.
- Abstract（参考訳）: ダイナミックコントラスト強調MRIの信頼性のある定量的解析には,高アンダーサンプリングレートで高画質の時空間再構成が必要である。
ガウスプリミティブとガボルプリミティブを用いたスキャン固有の再構成は、大規模なトレーニングデータセットを必要とせずに有望な結果を示しているが、ダイナミックコントラストの追加次元には対処していない。
本研究では, 動的コントラスト強調, 動的コントラスト強調, 残留運動を別々の時間的基底関数に分解し, 表現の幾何学的解釈を可能にする, 動的コントラスト強調MRI再構成のための多次元原始的枠組みを提案する。
本アーキテクチャは, 従来の再建法と競合する性能を示し, 再建精度と抽出大動脈および腎臓拡張曲線の精度を両立させる。
モジュラー層の設計は自然に、追加の動的因子とより高い加速率に拡張される。
コードはhttps://github.com/compai-lab/2026-GaborDCE-spieker.comで公開されている。
関連論文リスト
- Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
MRI再建は本質的に不完全な逆問題である。
この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。
提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
論文 参考訳（メタデータ） (2026-05-19T04:40:50Z) - Are Natural-Domain Foundation Models Effective for Accelerated Cardiac MRI Reconstruction? [9.952061326734741]
本研究では, 自然領域基礎モデルが, 心臓MRIの早期再建に有効であるかどうかを考察する。
本稿では,E2E-VarNetのようなタスク固有状態復元モデルが,標準的な分散環境において優れた性能を発揮する一方で,基礎モデルに基づくアプローチは競争力を維持していることを示す。
論文 参考訳（メタデータ） (2026-04-24T13:52:25Z) - Flow-Guided Implicit Neural Representation for Motion-Aware Dynamic MRI Reconstruction [19.66198868468091]
動的磁気共鳴イメージング(dMRI)は解剖学的に時間分解されるが、限られたサンプリングや運動によって引き起こされるアーティファクトによってしばしば挑戦される。
本研究では,動的画像列とその基盤となる運動場を協調的にモデル化する,新しい暗黙的ニューラル表現フレームワークを提案する。
動的心臓MRIデータセットの実験により、この手法は最先端のモーションインスパイアされた深層学習手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2025-11-21T04:51:23Z) - 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) - DUN-SRE: Deep Unrolling Network with Spatiotemporal Rotation Equivariance for Dynamic MRI Reconstruction [18.919056394229976]
再構成モデルにおける対称性の事前の明示的な組み込みは、画像品質を著しく向上させることができる。
近年の等変畳み込みニューラルネットワーク (ECNN) は, 空間対称性の先駆的利用に大きな可能性を示唆している。
DUN-SREは(2+1)D畳み込み構造を通して等時回転を確立する。
論文 参考訳（メタデータ） (2025-06-12T02:44:27Z) - Optimized two-stage AI-based Neural Decoding for Enhanced Visual Stimulus Reconstruction from fMRI Data [2.0851013563386247]
本研究は、fMRI遅延空間表現を改善するための非線形ディープネットワークを提案し、次元性も同様に最適化する。
Natural Scenesデータセットの実験により、提案されたアーキテクチャは、最先端のモデルに関して、再構成された画像の構造的類似性を約2%改善した。
LDMのノイズ感度解析により,第1ステージの役割は,高い構造的類似性を有する刺激を予測するのに基本的であることが示された。
論文 参考訳（メタデータ） (2024-12-17T16:42:55Z) - End-to-end Adaptive Dynamic Subsampling and Reconstruction for Cardiac MRI [6.875699572081067]
本稿では,MRIフレームワークにおける適応動的サンプリングと再構成(E2E-ADS-Recon)について紹介する。
提案フレームワークは、動的MRIアプリケーションにおけるケース固有サブサンプリング最適化の重要性を強調し、再構成品質を向上させる。
論文 参考訳（メタデータ） (2024-03-15T14:31:35Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Data-Consistent Non-Cartesian Deep Subspace Learning for Efficient
Dynamic MR Image Reconstruction [17.713927354433398]
Data-Consistent (DC) 深層学習は画像品質のよい再構成を加速するが、非カルテシアン部分空間イメージングでは定式化されていない。
高速かつ高精度な動的MR画像再構成のための直流非直流深部部分空間学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-05-03T20:37:21Z) - Transformer-empowered Multi-scale Contextual Matching and Aggregation
for Multi-contrast MRI Super-resolution [55.52779466954026]
マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。
既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。
そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
論文 参考訳（メタデータ） (2022-03-26T01:42:59Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z) - Limited-angle tomographic reconstruction of dense layered objects by
dynamical machine learning [68.9515120904028]
強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。
このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。
我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
論文 参考訳（メタデータ） (2020-07-21T11:48:22Z)
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。