論文の概要: Prior-Guided Implicit Neural Representations for Single-Subject Diffusion MRI Super-Resolution

• arxiv url: http://arxiv.org/abs/2609.00981v1
• Date: Tue, 01 Sep 2026 09:38:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.521899
• Title: Prior-Guided Implicit Neural Representations for Single-Subject Diffusion MRI Super-Resolution
• Title（参考訳）: 単体拡散MRI超解像に対する先行誘導型インプシットニューラル表現法
• Authors: Abdulkader Ghandoura, Marsil Zakour, William Consagra, Yogesh Rathi,
• Abstract要約: 入射神経表現(INR)は拡散信号を連続的にモデル化することができ、ネイティブな単一オブジェクト超解像を可能にする。 本稿では,INRを高分解能テンプレート上で事前学習し,登録と微調整により対象特定スキャンに適応するトランスファーラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.5832690217749017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Resolving complex fiber geometries in brain white matter requires high-resolution diffusion MRI at the cost of long acquisition times. This leads many clinical protocols to opt for low-resolution scans, making downstream microstructure estimation and tractography challenging. Implicit neural representations (INRs) can model the diffusion signal continuously, enabling native single-subject super-resolution by querying the network at arbitrary spatial coordinates, yet existing methods often suffer from long training times and lack a mechanism to incorporate anatomical priors to regularize super-resolution by constraining the space of plausible reconstructions. To address these limitations, we propose a novel transfer-learning framework that pre-trains an INR on a high-resolution template and then adapts it to subject-specific scans via registration and fine-tuning. For $4\times$ through-plane super-resolution from 5 mm to 1.25 mm on Human Connectome Project (HCP) data, our method reduces NRMSE by 36-49% and increases FSIM by 24-43% over a recent baseline with $6\times$ faster training, outperforming competing INR-based methods across both image quality and domain-specific metrics. Code is available on the project page at https://abdulkaderghandoura.github.io/research/msc-thesis/ .
• Abstract（参考訳）: 脳白質中の複雑なファイバージオメトリの分解には、長い取得時間で高分解能拡散MRIが必要である。 これにより、低分解能スキャンを選択するための多くの臨床プロトコルが導かれ、下流の微細構造推定とトラクトグラフィーが困難になる。 入射神経表現(INR)は拡散信号を連続的にモデル化することができ、任意の空間座標でネットワークをクエリすることでネイティブな単一オブジェクト超解像を可能にするが、既存の手法では長い訓練時間に悩まされ、可視的再構成の空間を制限して超解像を規則化する機構が欠如している。 これらの制約に対処するため、我々はINRを高解像度テンプレート上で事前訓練し、登録と微調整によって対象特定スキャンに適応する新しいトランスファーラーニングフレームワークを提案する。 ヒューマン・コネクトーム・プロジェクト(HCP)における5mmから1.25mmの超解像に対して、我々の手法はNRMSEを36～49%削減し、FSIMを24～43%向上させる。 コードはプロジェクトページ(https://abdulkaderghandoura.github.io/research/msc-thesis/)で公開されている。

関連論文リスト

• Hybrid Multi-Dimensional MRI Prostate Cancer Detection via Hadamard Network-Based Bias Correction and Residual Networks [4.984516442539689]
  我々は,PCa検出のための2段階AIフレームワークであるHadamard-Bias NetworkとResNet18(HBR-Net-18)を提案する。 最初の段階では、Adamard U-Netベースのアルゴリズムは、6つのパラメトリックHM-MRIマップ間の強度不均一性(バイアス場)を抑制する。 第2段階では、Residual Network (ResNet-18) がパッチレベルの分類を行う。
  論文  参考訳（メタデータ） (2026-04-18T18:49:21Z)
• Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
  深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。 本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。 CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-13T08:31:46Z)
• Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
  我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。 NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。 年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2025-06-11T23:51:01Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• 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)
• Coarse-Super-Resolution-Fine Network (CoSF-Net): A Unified End-to-End Neural Network for 4D-MRI with Simultaneous Motion Estimation and Super-Resolution [21.75329634476446]
  我々は,高分解能ネットワーク(CoSF-Net)と呼ばれる新しいディープラーニングフレームワークを開発した。 既存のネットワークと最先端の3つのアルゴリズムと比較して、CoSF-Netは4D-MRIの呼吸相間の変形可能なベクトル場を正確に推定するだけでなく、解剖学的特徴を増強した4D-MRIの空間分解能も同時に改善した。
  論文  参考訳（メタデータ） (2022-11-21T01:42:51Z)
• RPLHR-CT Dataset and Transformer Baseline for Volumetric Super-Resolution from CT Scans [12.066026343488453]
  粗い解像度は、医師またはコンピュータ支援診断アルゴリズムによる医学的診断の困難を引き起こす可能性がある。 深層学習に基づく容積超解法(SR法)は、解法を改善するための実現可能な方法である。 本稿では,RPLHR-CTをボリュームSRのベンチマークとして構築した。 また,CNNの固有の欠点を考慮し,アテンション機構に基づくトランスフォーマーボリューム超解像ネットワーク(TVSRN)を提案する。
  論文  参考訳（メタデータ） (2022-06-13T15:35:59Z)
• DFENet: A Novel Dimension Fusion Edge Guided Network for Brain MRI Segmentation [0.0]
  本稿では,2次元CNNと3次元CNNの特徴を融合させることにより,これらの要件を満たす新しいDFENetを提案する。 提案手法は, 既存の方法よりも頑健で正確であり, バイオメディカルな応用に頼ることができる。
  論文  参考訳（メタデータ） (2021-05-17T15:43:59Z)

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。