論文の概要: FlowMoDL: Model-Based Deep Learning with Conjugate-Gradient Data Consistency for Highly Accelerated 4D Flow MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2608.25828v1
• Date: Wed, 26 Aug 2026 14:08:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.855196
• Title: FlowMoDL: Model-Based Deep Learning with Conjugate-Gradient Data Consistency for Highly Accelerated 4D Flow MRI Reconstruction
• Title（参考訳）: FlowMoDL: 高速4次元フローMRI再構成のための共役勾配データ一貫性を用いたモデルベースディープラーニング
• Abstract要約: 高速な4次元MRI再構成のためのニューラルネットワークであるFlowMoDLを提案する。 新たなデュアルパスウェイ条件付け方式は、デノイザの特徴とデータ一貫性の重み付けに適応し、単一のモデルで様々な加速度因子を扱えるようにする。 FlowMoDLはSSIM, nRMSE, 相対速度誤差, 角誤差など, あらゆるアクセラレーション要因にまたがる競争相手をしっかりと収束させ、厳格に上回っている。
• 参考スコア（独自算出の注目度）: 1.2182973362814316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present FlowMoDL, an unrolled neural network for highly accelerated 4D flow MRI reconstruction that directly optimizes for both anatomical magnitude and phase-derived velocity accuracy. Building on the MoDL framework, FlowMoDL alternates a learned (3+1)D spatiotemporal denoiser with conjugate-gradient data-consistency updates based on the SENSE forward model. A novel dual-pathway conditioning scheme adapts the denoiser features and data-consistency weighting, enabling a single model to handle varying acceleration factors ($10\times$ to $50\times$). To ensure physiological accuracy, the network is trained using a deep-supervision composite loss that explicitly penalizes velocity magnitude and angular errors, stabilized by a curriculum schedule. We evaluate FlowMoDL on the multi-center CMRx4DFlow dataset against classical and deep-learning baselines (CG-SENSE, MoDL, FlowVN, and FlowMRI-Net). A key advantage of FlowMoDL is its superior gradient step efficiency. When evaluated under an equivalent, limited budget of gradient steps, competing flow-specific networks degrade significantly. In contrast, FlowMoDL robustly converges and strictly outperforms all competitors across all acceleration factors in magnitude SSIM, nRMSE, relative velocity error, and angular error, successfully recovering sharp structural details and temporally coherent velocity fields.
• Abstract（参考訳）: 解剖学的大きさと位相依存性の速度精度の両方を直接最適化する,高度に高速な4次元フローMRI再構成のための非ローリングニューラルネットワークであるFlowMoDLを提案する。 MoDLフレームワーク上に構築されたFlowMoDLは、SENSEフォワードモデルに基づいた共役段階のデータ一貫性更新と、学習した(3+1)D時空間デノイザを交換する。 新たなデュアルパスウェイ条件付けスキームは、デノイザの特徴とデータ一貫性の重み付けに適応し、単一のモデルで様々なアクセラレーションファクタ(10\times$から50\times$)を処理することができる。 生理的精度を確保するために、ネットワークは、カリキュラムのスケジュールによって安定化された速度の大きさと角誤差を明確に罰するディープ・スーパービジョン複合損失を用いて訓練される。 我々は,マルチセンターCMRx4DFlowデータセット上で,古典的およびディープラーニングベースライン(CG-SENSE, MoDL, FlowVN, FlowMRI-Net)に対してFlowMoDLを評価する。 FlowMoDLの重要な利点は、より優れた勾配ステップ効率である。 勾配段階の限られた予算で評価すると、競合するフロー特化ネットワークは著しく劣化する。 対照的に、FlowMoDLは、SSIM、nRMSE、相対速度誤差、角誤差の全ての加速因子に対して、厳密に収束し、厳密な構造的詳細と時間的コヒーレントな速度場を回復することに成功した。

関連論文リスト

• Self-Consistent Flow: Unifying Velocity and Endpoint Prediction for Rectified Flow Models [7.517070288522858]
  修正フローベースの生成モデルでは、ニューラルネットワークは、即時速度やデータエンドポイントなどの2つの異なるターゲットを予測するようにトレーニングすることができる。 データ終端予測にはトレーニングを安定させる明確な訓練信号があるのに対し、速度予測はデータ多様体近傍で安定したサンプリングダイナミクスを維持することを示す。 これらの知見により,両パラメータの利点を統一する新たな手法である自己持続フロー(SC-Flow)を提案する。
  論文  参考訳（メタデータ） (2026-07-13T21:31:45Z)
• Boosting Neural Video Codec via Scale-Driven Online Flow Refinement [59.68390983151205]
  本稿では,訓練不要なスケール駆動型オンラインフローリファインメント(SOFR)手法を提案する。 ワープ精度に応じて粗さや微細なスケールからの動作情報を融合し、動作推定誤差を効果的に補正する。 PSNRとMS-SSIMでそれぞれ平均2.84%と4.05%の貯蓄がある。
  論文  参考訳（メタデータ） (2026-06-22T08:36:23Z)
• MeanFlow Transformers with Representation Autoencoders [71.45823902973349]
  MeanFlow(MF)は、ノイズからデータへのジャンプを直接学習することで、効率的な数ステップ生成を可能にする拡散動機付き生成モデルである。 我々は、表現オートエンコーダ(RAE)の潜在空間におけるMFの効率的なトレーニングとサンプリング手法を開発する。 1ステップのFIDが2.03であり,バニラMFの3.43を上回っ,GFLOPSのサンプリングを38%削減し,ImageNet 256のトレーニングコストを83%削減した。
  論文  参考訳（メタデータ） (2025-11-17T06:17:08Z)
• FNODE: Flow-Matching for data-driven simulation of constrained multibody systems [4.734933620065242]
  Flow-Matching Neural Ordinary Differential Equation (FNODE)は、軌道データから直接加速ベクトル場を学習するフレームワークである。 FNODEは、従来のNeural ODEのボトルネックを表すODEソルバによるバックプロパゲーションの必要性を排除する。 我々はFNODEを,単発・三発のマススプリングダンパシステム,ダブル振り子,スライダークランク,カートポールなど,多種多様なベンチマークで評価した。
  論文  参考訳（メタデータ） (2025-08-29T18:31:11Z)
• m4: A Learned Flow-level Network Simulator [14.802940782072122]
  フローレベルのシミュレータは、動的に割り当てられた送信速度を持つ連続フローとしてトラフィックを抽象化する。 機械学習を用いて関心のネットワークのダイナミクスを学習する,正確でスケーラブルなフローレベルシミュレータであるm4を提案する。
  論文  参考訳（メタデータ） (2025-03-03T17:51:08Z)
• Consistency Flow Matching: Defining Straight Flows with Velocity Consistency [97.28511135503176]
  本稿では,速度場の自己整合性を明示する新しいFM法であるConsistency Flow Matching(Consistency-FM)を紹介する。 予備実験により、一貫性FMは、一貫性モデルよりも4.4倍速く収束することにより、トレーニング効率を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-07-02T16:15:37Z)
• Reducing Spatial Discretization Error on Coarse CFD Simulations Using an OpenFOAM-Embedded Deep Learning Framework [0.7223509567556214]
  本研究では,深層学習を用いたシミュレーションの品質向上により,流体力学問題の空間的離散化誤差を低減する手法を提案する。 我々は、粗いグリッドの離散化に投射した後、細粒度のデータでモデルをフィードする。 我々は、セル中心からフェイス値への速度を補間するフィードフォワードニューラルネットワークにより、対流項のデフォルトの差分スキームを置換し、ダウンサンプリングされた微細グリッドデータをよく近似する速度を生成する。
  論文  参考訳（メタデータ） (2024-05-13T02:59:50Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)
• Real-time simulation of parameter-dependent fluid flows through deep learning-based reduced order models [0.2538209532048866]
  還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。 ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。 得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
  論文  参考訳（メタデータ） (2021-06-10T13:07:33Z)
• A Physics-Constrained Deep Learning Model for Simulating Multiphase Flow in 3D Heterogeneous Porous Media [1.4050836886292868]
  物理制約付き深層学習モデルを構築し, 多相多孔質体における多相流の解法について検討した。 モデルは物理に基づくシミュレーションデータから訓練され、物理過程をエミュレートする。 このモデルは物理シミュレーションと比較して1400倍のスピードアップで予測を行う。
  論文  参考訳（メタデータ） (2021-04-30T02:15:01Z)
• FPCR-Net: Feature Pyramidal Correlation and Residual Reconstruction for Optical Flow Estimation [72.41370576242116]
  フレーム対からの光フロー推定のための半教師付き特徴ピラミッド相関・残留再構成ネットワーク(FPCR-Net)を提案する。 ピラミッド相関マッピングと残留再構成の2つの主要なモジュールで構成されている。 実験結果から,提案手法は,平均終点誤差 (AEE) に対して0.80, 1.15, 0.10の改善を達成し,最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-01-17T07:13:51Z)

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。