論文の概要: Data-Efficient Networks for Multi-Contrast MRI Reconstruction based on a Generalized Content/Style Prior

• arxiv url: http://arxiv.org/abs/2609.01959v1
• Date: Wed, 02 Sep 2026 00:29:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.012877
• Title: Data-Efficient Networks for Multi-Contrast MRI Reconstruction based on a Generalized Content/Style Prior
• Title（参考訳）: 一般化コンテンツ/スタイル優先に基づくマルチコントラストMRI再構成のためのデータ効率の良いネットワーク
• Abstract要約: 低データ構造におけるガイド付き再構成モデルの学習のためのモジュラーフレームワークであるCoSMo-RecNetを提案する。 コアとなるのは、Content/styleモデルに基づいた再利用可能なマルチコントラスト表現で、大規模で公開され、公開されていないマルチコントラストイメージデータセットから学ぶことができる。 低フィールド0.3T M4Rawデータセット上でCoSMo-RecNetの有効性を実証し、生データ予算の削減に安定した復元品質を示す。
• 参考スコア（独自算出の注目度）: 2.67054078828348
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-contrast MR scans contain redundant structural information that can be leveraged during reconstruction and potentially accelerate acquisition times. This idea has inspired end-to-end guided reconstruction models, leveraging one or more contrasts to guide the reconstruction of a different contrast. However, these models require large paired multi-contrast raw datasets for training, limiting their application in low-data regimes. In this work, we propose a modular framework, namely CoSMo-RecNet, for learning guided reconstruction models in the low-data regime. At its core is a reusable multi-contrast representation based on a content/style model, which can be learned from large-scale, publicly accessible, unpaired multi-contrast image datasets, without available k-space data. Using this frozen model as a multi-contrast prior and using a set of reference contrasts, the reconstruction problem reduces to a much simpler refinement problem that can be solved by a lightweight unrolled network and thus learned from small, task-specific reconstruction datasets. We demonstrate the efficacy of CoSMo-RecNet by evaluating it on the low-field 0.3 T M4Raw dataset, showing stable reconstruction quality on decreasing the raw training data budget. CoSMo-RecNet achieved higher reconstruction quality with 5 training subjects or lower compared to a parameter-count-matched MoDL trained on 100 subjects. On a data-limited and severely out-of-distribution ultra-low-field 47 mT Halbach scanner dataset, CoSMo-RecNet was superior to other viable strategies, including classical reconstruction, transfer learning, and zero-shot reconstruction.
• Abstract（参考訳）: マルチコントラストMRスキャンは、再構成時に利用でき、取得時間を短縮できる冗長な構造情報を含んでいる。 このアイデアは、1つ以上のコントラストを活用して、異なるコントラストの再構築をガイドするエンド・ツー・エンドのガイドド・コントラストモデルにインスピレーションを与えている。 しかし、これらのモデルはトレーニングのために大きなペアのマルチコントラストの生データセットを必要とし、ローデータレギュレーションでの応用を制限する。 本研究では,低データ構造におけるガイド付き再構成モデルの学習のためのモジュラーフレームワークであるCoSMo-RecNetを提案する。 コアとなるのは、コンテント/スタイルモデルに基づいた再利用可能なマルチコントラスト表現で、k空間データなしで、大規模で公開アクセス可能な、未使用のマルチコントラストイメージデータセットから学ぶことができる。 この凍結したモデルをマルチコントラストとして使用し、参照コントラストの集合を用いて、再構成問題は、軽量なアンロールネットワークによって解決され、小さなタスク固有の再構成データセットから学習可能な、はるかに単純な改善問題に還元される。 低フィールド0.3T M4Rawデータセット上でCoSMo-RecNetの有効性を実証し、生データ予算の削減に安定した復元品質を示す。 CoSMo-RecNetは,100名を対象にトレーニングしたパラメータ数マッチングMODLと比較して,5名以下で高い再現性を示した。 Data-limited and severe out-of-distriion Ultra-low-field 47 mT ハルバッハスキャナーデータセットでは、CoSMo-RecNetは古典的再構成、転送学習、ゼロショット再構成を含む他の実行可能な戦略よりも優れている。

関連論文リスト

• Universal Image Restoration via Internalized Chain-of-Thought Reasoning [52.763760468548504]
  画像復元は、劣化した入力から高品質なイメージを復元しようとするが、複雑な混合劣化の下で非常に悪影響を及ぼす。 最近の研究は、特別なモジュールを用いた複数ラウンドの復元のためのChain-of-Thought (CoT)推論を採用する。 CoTIRは,単一モデル内でCoT推論を内部化する汎用画像復元フレームワークである。
  論文  参考訳（メタデータ） (2026-06-16T06:01:36Z)
• 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)
• Reliev3R: Relieving Feed-forward Reconstruction from Multi-View Geometric Annotations [98.66466590444553]
  コスト制約のない多視点幾何アノテーションを使わずにFFRMをスクラッチからトレーニングするための弱教師付きパラダイムであるReliev3Rを提案する。 Reliev3Rのコアでは、多視点幾何整合性の監視を容易にするために、曖昧さを意識した相対深度損失と三角法に基づく再射損失を設計する。
  論文  参考訳（メタデータ） (2026-04-01T06:46:54Z)
• A Plug-and-Play Method for Guided Multi-contrast MRI Reconstruction based on Content/Style Modeling [1.1286219853072859]
  マルチコントラストMRI再構成のためのモジュラー2段階手法を提案する。 2コントラスト画像データのコンテント/スタイルモデルは、ほとんどペアリングされていない画像ドメインデータセットから学習される。 内容とスタイルのアンタングル化は、コントラスト非依存およびコントラスト固有の要因の明示的な表現を可能にする。
  論文  参考訳（メタデータ） (2024-09-20T13:08:51Z)
• MOST: MR reconstruction Optimization for multiple downStream Tasks via continual learning [12.0749219807816]
  個別に訓練された再構成ネットワークと下流タスクネットワークをカスケーディングすることで、性能劣化がもたらされることが示されている。 この最適化を順次導入した複数のダウンストリームタスクに拡張し,複数のダウンストリームタスクに対して単一のMR再構成ネットワークを最適化できることを実証する。
  論文  参考訳（メタデータ） (2024-09-16T15:31:04Z)
• Learning from History: Task-agnostic Model Contrastive Learning for Image Restoration [79.04007257606862]
  本稿では,対象モデル自体から負のサンプルを動的に生成する「歴史からの学習」という革新的な手法を提案する。 我々のアプローチはMCLIR(Model Contrastive Learning for Image Restoration)と呼ばれ、遅延モデルを負のモデルとして再定義し、多様な画像復元タスクと互換性を持たせる。
  論文  参考訳（メタデータ） (2023-09-12T07:50:54Z)
• Learning Detail-Structure Alternative Optimization for Blind Super-Resolution [69.11604249813304]
  そこで我々は,ブラインドSRに先立ってカーネルを曖昧にすることなく,再帰的な詳細構造代替最適化を実現する,有効かつカーネルフリーなネットワークDSSRを提案する。 DSSRでは、細部構造変調モジュール(DSMM)が構築され、画像の詳細と構造の相互作用と協調を利用する。 本手法は既存の手法に対して最先端の手法を実現する。
  論文  参考訳（メタデータ） (2022-12-03T14:44:17Z)
• 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)
• Rethinking the optimization process for self-supervised model-driven MRI reconstruction [16.5013498806588]
  K2Calibrateは、自己教師付きモデル駆動MR再構成最適化のためのK空間適応戦略である。 統計的に依存したノイズによるネットワークの復元劣化を低減することができる。 5つの最先端の手法よりも優れた結果が得られる。
  論文  参考訳（メタデータ） (2022-03-18T03:41:36Z)
• MIST-net: Multi-domain Integrative Swin Transformer network for Sparse-View CT Reconstruction [6.620837759518855]
  スパースビューデータ再構成は、典型的な過小評価された逆問題の一つである。 マルチドメイン統合スウィントランスネットワーク(MIST-net)を提案する。 48ビューの数値データセットを用いた実験により,提案したMIST-netにより画像品質が向上した。
  論文  参考訳（メタデータ） (2021-11-28T14:43:26Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Multi-task MR Imaging with Iterative Teacher Forcing and Re-weighted Deep Learning [14.62432715967572]
  我々は,既存のビッグデータから事前知識を学習するための,マルチタスク深層学習手法を開発した。 次に,これらを用いて,アンダーサンプリングしたk空間データからMR再構成とセグメンテーションを同時支援する。 提案手法は,同時的かつ正確なMR再構成とセグメンテーションの促進機能を有することを示す。
  論文  参考訳（メタデータ） (2020-11-27T09:08:05Z)

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。