論文の概要: Large-Scale Pretraining for Improving Deep Learning-Based Geometric Distortion Correction of Diffusion-Weighted Imaging

• arxiv url: http://arxiv.org/abs/2609.06437v1
• Date: Sun, 06 Sep 2026 07:23:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.250706
• Title: Large-Scale Pretraining for Improving Deep Learning-Based Geometric Distortion Correction of Diffusion-Weighted Imaging
• Title（参考訳）: 拡散重み画像の深層学習に基づく幾何歪み補正のための大規模事前学習
• Abstract要約: 拡散強調画像(DWI)は臨床で広く用いられているが、幾何学的歪みに弱い。 本研究では,大規模事前学習が深層学習に基づく歪み補正を改善できるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 6.175227659063137
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Diffusion-weighted imaging (DWI) is widely used in clinical settings but remains vulnerable to geometric distortion. Conventional correction methods often require additional acquisitions or vendor-specific solutions, limiting their feasibility in high-throughput, resource-constrained settings. This study investigates whether large-scale pretraining strategies can improve deep learning-based distortion correction for single-phase-encoding DWI. We formulate the task as image reconstruction, and compare a non-pretrained baseline against a self-supervised and a generative pretrained model, evaluated using both quantitative image-similarity metrics and qualitative expert assessment. The best-performing model was further tested for transferability on data collected in an LMIC setting with acquisition shift. Pretrained models outperformed the non-pretrained baseline, with cWDM achieving the strongest results across both quantitative and qualitative evaluation. However, application to LMIC data revealed transferability challenges, including contrast alteration and over-reliance on T1-weighted anatomical structure. Registering images to a common standard space improved predictions, suggesting that harmonized preprocessing may enhance cross-domain deployment.
• Abstract（参考訳）: 拡散強調画像(DWI)は臨床で広く用いられているが、幾何学的歪みに弱い。 従来の修正方法は、しばしば追加の買収やベンダー固有のソリューションを必要とし、高スループットでリソース制約のある設定でその実現可能性を制限する。 本研究では,単一位相符号化DWIにおいて,大規模事前学習が深層学習に基づく歪み補正を改善できるかどうかを検討する。 課題を画像再構成として定式化し、自己教師付きベースラインと生成事前訓練モデルを比較し、定量的画像類似度測定と定性的専門家評価の両方を用いて評価する。 買収シフトを伴うLMIC環境で収集したデータの転送性について, 最適性能モデルをさらに検証した。 事前学習モデルでは, 定性評価, 定量評価, 定性評価の両面で, cWDMが最強の成績を収めた。 しかし, LMICデータの適用により, T1重み付き解剖学的構造に対するコントラスト変化や過度信頼など, 転写可能性の課題が明らかになった。 イメージを共通の標準空間に登録することで予測が改善され、調和した前処理によってドメイン間のデプロイメントが向上する可能性があることを示唆している。

関連論文リスト

• Learning to Distort: Weakly-Supervised Image Quality Transfer for Prostate DWI Correction [36.99892867630486]
  単発エコープラナー拡散強調画像(DWI)は幾何歪みにより複雑になることが多い。 本稿では,非歪画像から歪画像への弱教師付き画像品質転送(IQT)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-17T09:47:53Z)
• Leveraging Image Editing Foundation Models for Data-Efficient CT Metal Artifact Reduction [2.201656998025222]
  高減衰インプラントによる金属人工物は、CT画像の品質を著しく低下させる。 本稿では,文脈内推論タスクとしてアーティファクトリダクションのフレーミングというパラダイムシフトを提案する。 提案手法は16対128対のトレーニング例のみで有効なアーティファクト抑制を実現する。
  論文  参考訳（メタデータ） (2026-04-07T14:32:25Z)
• DenOiS: Dual-Domain Denoising of Observation and Solution in Ultrasound Image Reconstruction [1.711666249985278]
  医用画像は、不完全性(単純化/線形化)イメージングモデルを使用し、しばしば不正確で不完全な測定から組織特性を回復することを目的としている。 解析的再構成法は手作りの正規化に依存し、雑音の仮定やパラメータチューニング領域に敏感である。 本稿では,入射観測と撮像モデルの精度を両立させるフレームワークであるDeniSを提案する。 定量的超音波画像再構成の課題として,音速画像の高速化を実証する。
  論文  参考訳（メタデータ） (2026-04-02T14:35:43Z)
• Preference-Guided Debiasing for No-Reference Enhancement Image Quality Assessment [80.89893373505261]
  我々は、非参照強調画像品質評価(EIQA)のための嗜好誘導型デバイアス化フレームワークを提案する。 提案手法は,アルゴリズムによる表現バイアスを効果的に緩和し,既存手法と比較して頑健性やアルゴリズム間の一般化に優れる。
  論文  参考訳（メタデータ） (2026-03-20T16:07:34Z)
• Implicit Neural Representation-Based Continuous Single Image Super Resolution: An Empirical Study [50.15623093332659]
  入射神経表現(INR)は任意のスケール画像超解像(ASSR)の標準的アプローチとなっている 既存の手法を多様な設定で比較し、複数の画像品質指標に対して集計結果を示す。 トレーニング中, エッジ, テクスチャ, 細部を保存しながら, 強度変化をペナライズする新たな損失関数について検討した。
  論文  参考訳（メタデータ） (2026-01-25T07:09:20Z)
• Did Models Sufficient Learn? Attribution-Guided Training via Subset-Selected Counterfactual Augmentation [61.248535801314375]
  Subset-Selected Counterfactual Augmentation (SS-CA) 我々は,モデル予測を選択的に変更可能な最小空間領域集合を識別するために,対実的LIMAを開発した。 実験により,SS-CAは分布内テストデータ(ID)の一般化を改善し,分布外ベンチマーク(OOD)において優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-11-15T08:39:22Z)
• Tunable-Generalization Diffusion Powered by Self-Supervised Contextual Sub-Data for Low-Dose CT Reconstruction [5.107409624991683]
  Tunable-geneRalizatioN Diffusion (TurnDiff) は低用量CT再構成のための自己教師付き文脈データを用いている。 TurnDiffは、再構築と一般化の両方において、最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-09-28T13:50:29Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Partitioned Hankel-based Diffusion Models for Few-shot Low-dose CT Reconstruction [10.158713017984345]
  分割ハンケル拡散(PHD)モデルを用いた低用量CT再構成法を提案する。 反復再構成段階では、反復微分方程式解法とデータ一貫性制約を併用して、取得した投影データを更新する。 その結果,PHDモデルを画像品質を維持しつつ,アーチファクトやノイズを低減し,有効かつ実用的なモデルとして検証した。
  論文  参考訳（メタデータ） (2024-05-27T13:44:53Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Evaluation of Complexity Measures for Deep Learning Generalization in Medical Image Analysis [77.34726150561087]
  PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。 また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
  論文  参考訳（メタデータ） (2021-03-04T20:58:22Z)

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。