論文の概要: Tissue-Mixture Entropy-Weighted Reconstruction for Partial-Volume-Aware Brain MRI Super-Resolution

• arxiv url: http://arxiv.org/abs/2608.26647v2
• Date: Wed, 02 Sep 2026 09:38:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:17.359951
• Title: Tissue-Mixture Entropy-Weighted Reconstruction for Partial-Volume-Aware Brain MRI Super-Resolution
• Title（参考訳）: 部分体積脳MRI超解像に対する組織ミクチャーエントロピー強調再建術
• Authors: Xiao Tong, Wenyun Yang, Ziheng Zhang, Jingzhi Han, Zhaochu Luo, Jinbo Yang,
• Abstract要約: PVE対応トレーニング目標を用いた低分解能(LR)のみの再建バックボーンを提案する。 AGW-PBRは、下流分析に関連する組織移行情報を保存しながら、脳MRI SRを改善している。
• 参考スコア（独自算出の注目度）: 9.058132701129653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background and Objectives: Full-image objectives in brain magnetic resonance imaging (MRI) super-resolution (SR) can underweight tissue-transition regions affected by the partial-volume effect (PVE), as these regions occupy a small fraction of the image. Binary boundaries further provide only a discrete approximation of continuous tissue mixtures within a voxel. Methods: We propose Anatomy-Guided Gaussian-Parameter Warping with PVE-Balanced Reconstruction (AGW-PBR), combining a low-resolution (LR)-only reconstruction backbone with a PVE-aware training objective. The backbone uses LR-derived anatomical guidance, soft latent assignment, and bounded residual warping. Quality-controlled tissue fractions are converted into tissue-mixture entropy to spatially weight reconstruction within validated PVE support. PVE sidecars are used only during training, while inference requires only the LR image. Downstream utility is further evaluated through zero-shot transfer to whole-tumor segmentation on BraTS2023. Results: AGW-PBR improves reconstruction across 2x and 4x SR on IXI and achieves the lowest normalized gradient-vector reconstruction error at both CSF--GM and GM--WM interfaces at 4x. Ablation studies verify the contributions of PVE-aware weighting and soft latent assignment. The PVE-free AGW backbone also maintains strong performance on fastMRI. On BraTS2023, AGW-PBR achieves competitive whole-tumor Dice and the lowest HD95 under direct zero-shot transfer. Conclusions:AGW-PBR improves brain MRI SR while preserving tissue-transition information relevant to downstream analysis. The results support tissue-mixture entropy as an effective supervision signal for partial-volume-aware MRI reconstruction.
• Abstract（参考訳）: 背景と目的: 脳磁気共鳴イメージング(MRI)超解像(SR)では、これらの領域が画像のごく一部を占めるため、部分体積効果(PVE)の影響を受けやすい。 バイナリ境界はさらに、ボクセル内の連続した組織混合物の離散近似のみを提供する。 方法: PVE-Balanced Reconstruction (AGW-PBR) を用いた解剖誘導型ガウス・パラメータ・ウォーピングを提案する。 背骨は、LR由来の解剖学的ガイダンス、軟式潜伏代入、および有界残留ワープを用いている。 品質制御された組織分画は組織混合エントロピーに変換され、検証されたPVEサポート内で空間的に重量再構成される。 PVEサイドカーはトレーニング時にのみ使用され、推論はLR画像のみを必要とする。 下流ユーティリティはBraTS2023上の全腫瘍セグメンテーションへのゼロショット転送によりさらに評価される。 結果: AGW-PBR は IXI 上の 2x SR と 4x SR の再構成を改善し, CSF--GM と GM--WM の両インタフェースにおいて 4x で最小の正規化勾配ベクトル再構成誤差を実現する。 アブレーション研究は、PVE対応重み付けと軟弱潜伏割り当ての寄与を検証する。 PVEフリーのAGWバックボーンも高速MRIで強い性能を維持している。 BraTS2023では、AGW-PBRは直接ゼロショット転送の下で、競合する全腫瘍Diceと最も低いHD95を達成する。 結論:AGW-PBRは、下流分析に関連する組織移行情報を保存しながら、脳MRI SRを改善している。 その結果, 組織混合エントロピーは, 部分容積MRI再建の効果的な監視信号として支持された。

関連論文リスト

• ReBrain: Brain MRI Reconstruction from Sparse CT Slice via Retrieval-Augmented Diffusion [17.281214782353658]
  低用量プロトコルは、しばしば低解像度の平面解像度のCTボリュームをもたらす。 脳MRI再建のための検索拡張拡散フレームワークであるReBrainを提案する。 SynthRAD2023とBraTSの実験により、ReBrainはスパース条件下でのクロスモーダル再構築において最先端の性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-11-21T09:18:35Z)
• Segmenting Bi-Atrial Structures Using ResNext Based Framework [3.0838948803252904]
  左心房(LA)と右心房(RA)の完全自動セグメンテーションのための新しい2段階ディープラーニングフレームワークTASSNetを提案する。 TASSNetは、(i)限られた医療データセットからの特徴抽出を強化するResNeXtベースのエンコーダ、(ii)高度に不均衡な小さな3Dセグメンテーションタスクにおける収束不安定に対処するための循環学習率スケジュールの2つの主要なイノベーションを紹介している。
  論文  参考訳（メタデータ） (2025-02-28T10:23:12Z)
• 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)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• Cine cardiac MRI reconstruction using a convolutional recurrent network with refinement [9.173298795526152]
  心臓MRI再建における時間的相関を利用した畳み込みリカレントニューラルネットワーク(CRNN)アーキテクチャについて検討した。 これは、単一画像の超解像度リファインメントモジュールと組み合わせて、単一コイルの再構築を4.4%、正規化平均二乗誤差3.9%改善する。 提案モデルでは, ベースライン症例と比較して有意に拡張され, 心臓MRI再建のさらなる改善に有望な可能性を秘めている。
  論文  参考訳（メタデータ） (2023-09-23T14:07:04Z)
• Spatial and Modal Optimal Transport for Fast Cross-Modal MRI Reconstruction [54.19448988321891]
  本稿では,T1重み付き画像(T1WIs)を補助モダリティとして活用し,T2WIsの取得を高速化するエンド・ツー・エンドのディープラーニングフレームワークを提案する。 最適輸送(OT)を用いてT1WIを整列させてT2WIを合成し、クロスモーダル合成を行う。 再構成されたT2WIと合成されたT2WIがT2画像多様体に近づき、繰り返しが増加することを示す。
  論文  参考訳（メタデータ） (2023-05-04T12:20:51Z)
• Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI Reconstruction [14.754843942604472]
  非カルテシアンMRIの再生を高速化するための完全自己教師型アプローチを提案する。 トレーニングでは、アンダーサンプリングされたデータは、非結合のk空間ドメイン分割に分割される。 画像レベルの自己スーパービジョンでは、元のアンサンプデータから得られる外観整合性を強制する。
  論文  参考訳（メタデータ） (2023-02-18T06:11:49Z)
• 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)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)

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。