論文の概要: LoFi RADIO: A Distilled In-Domain Backbone Applied for Artifact-Severity Grading of Ultra-Low-Field Neonatal Brain MR
- arxiv url: http://arxiv.org/abs/2609.02676v1
- Date: Wed, 02 Sep 2026 14:47:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 17:53:18.418964
- Title: LoFi RADIO: A Distilled In-Domain Backbone Applied for Artifact-Severity Grading of Ultra-Low-Field Neonatal Brain MR
- Title（参考訳）: LoFi RADIO:超低磁場新生児脳MRIのArtifact-Severity Gradingへの応用
- Abstract要約: 超低磁場MRIは、低リソース環境での新生児脳画像のデプロイを可能にするが、低SNR、遮蔽の欠如、長期スキャンにより、特にアーティファクトの取得が困難になる。
We address the LISA 2026 Task 1a Challenge: multi-label grading (0/1/2) of 7 common image artifacts on ULF T2 weighted volume。
- 参考スコア（独自算出の注目度）: 3.1389760771827073
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ultra-low-field MRI makes neonatal brain imaging deploy- able in low-resource settings, but its low SNR, lack of shielding, and long scan duration make it especially prone to acquisition artifacts, motivating automated quality control. We address the LISA 2026 Task 1a challenge: multi-label severity grading (0/1/2) of seven common image artifacts on ULF T2 weighted volumes. We identify that a number of backbones may be successfully paired with a classification MLP, but that no single backbone is uniformly best across artifacts. To improve performance, we evaluate routing complementary foundation model teachers through a per-artifact gate, as well as distilling the teachers into a single in-domain ViT-S student (LoFi RADIO) over an unlabeled low-field MRI corpus. Both of these strategies improve the weighted composite. The distilled backbone matches or exceeds the gate and has the added advantage of not requiring deployment of multiple large foundation models at infer- ence.
- Abstract（参考訳）: Ultra-low-field MRIは、低リソース環境での新生児脳画像のデプロイを可能にするが、低SNR、遮蔽の欠如、長期スキャンにより、特にアーティファクトの取得が難しくなり、自動品質管理の動機となる。
We address the LISA 2026 Task 1a Challenge: multi-label severity grading (0/1/2) of 7 common image artifacts on ULF T2 weighted volume。
複数のバックボーンが分類MLPとうまくペアリングできる可能性があるが、単一のバックボーンがアーティファクト全体で一様に最適であるわけではない。
提案手法は,教師を1つのドメイン内 ViT-S 学生 (LoFi RADIO) に蒸留し,未ラベルの低磁場MRIコーパス上で指導する。
これら2つの戦略は、重み付け複合性を改善する。
蒸留したバックボーンはゲートと一致または超過し、インファーエンスで複数の大きな基礎モデルの配置を必要としないという利点を付加する。
関連論文リスト
- Enhancing Ultra-low-field MRI with Segmentation-guided Adversarial Learning [0.0]
2025 ULF Enhancement Challenge (ULF-EnC)に応募する。
目標は64mTスキャンから高磁場状のMRIを合成することである。
われわれのパイプラインは解剖学的条件付けとモデルアンサンブルを組み合わせることでULF MRIを増強する。
論文 参考訳（メタデータ） (2026-05-27T06:11:34Z) - Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。
事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。
高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。
本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。
SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
論文 参考訳（メタデータ） (2026-05-23T17:42:25Z) - Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。
T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。
本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
論文 参考訳（メタデータ） (2026-04-01T14:50:18Z) - UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。
我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。
我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
論文 参考訳（メタデータ） (2026-03-10T05:45:12Z) - Cyclic Self-Supervised Diffusion for Ultra Low-field to High-field MRI Synthesis [20.659040331377216]
低磁場MRIは安価で、よりアクセシビリティが高く、安全であるが、低解像度で信号対雑音比が低い。
画像のコントラストにおいて、解剖学的な忠実さを保ち、きめ細かな構造の詳細を高め、ドメインギャップを埋める必要がある。
実低磁場MRIデータから高磁場MRI合成を行うために, 楕円型自己教師拡散(CSS-Diff)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-15T16:41:54Z) - Automatic quality control in multi-centric fetal brain MRI super-resolution reconstruction [0.46838071357260985]
本研究は、胎児脳MRIの超解像再構成(SRR)ボリュームの自動品質管理に焦点を当てる。
本稿では,100以上の画像品質指標を抽出し,画像品質スコアを予測する機械学習手法FetMRQC$_SR$を提案する。
論文 参考訳（メタデータ） (2025-03-13T08:34:40Z) - Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。
ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
論文 参考訳（メタデータ） (2024-12-10T15:25:18Z) - 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) - Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。
提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。
実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
論文 参考訳（メタデータ） (2023-07-02T05:26:54Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - CuNeRF: Cube-Based Neural Radiance Field for Zero-Shot Medical Image Arbitrary-Scale Super Resolution [78.734927709231]
医用画像任意スケール超解像 (MIASSR) が最近注目され, 任意のスケールの医用ボリュームを単一モデルで超高精細化することを目指している。
連続領域における任意のスケールで医用画像が得られるゼロショットMIASSRフレームワークCuNeRFを提案する。
論文 参考訳（メタデータ） (2023-03-28T18:36:19Z) - Synthetic Low-Field MRI Super-Resolution Via Nested U-Net Architecture [0.0]
本研究の目的は、低磁場MRIスキャンのSNRと画像品質を改善し、診断能力を向上することである。
我々は,従来提案していた深層学習手法を,平均PSNR78.83,SSIM0.9551で上回るNested U-Netニューラルネットワークアーキテクチャ超解法を提案する。
論文 参考訳（メタデータ） (2022-11-28T04:09:21Z)
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。