論文の概要: DTI-Guided Volumetric Spherical Harmonics Regression for Single-to-Multi-Shell dMRI Synthesis

• arxiv url: http://arxiv.org/abs/2609.14312v1
• Date: Sun, 13 Sep 2026 06:15:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.789967
• Title: DTI-Guided Volumetric Spherical Harmonics Regression for Single-to-Multi-Shell dMRI Synthesis
• Title（参考訳）: DTI-Guided Volumetric Spherical Harmonics Regression for Single-to-Multi-Shell dMRI synthesis
• Abstract要約: マルチシェル拡散MRI(dMRI)はシングルシェルスキャンよりも表現力のある微細構造モデリングを解き放つ。 DTI-SHNetは,実対称球面調和(SH)領域で動作する単一対マルチシェル合成フレームワークである。
• 参考スコア（独自算出の注目度）: 27.838061971736053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-shell diffusion MRI (dMRI) unlocks more expressive microstructural modeling than single-shell scans, yet its longer acquisition time hinders deployment in large-scale cohorts and time-constrained clinical settings. Synthesizing an unobserved shell from a single-shell input is fundamentally ill-posed and further complicated by protocol mismatch, where source and target gradient direction sets may not align. We propose DTI-SHNet, a single-to-multi-shell synthesis framework that operates in the real symmetric spherical harmonics (SH) coefficient domain and performs spatially aware volumetric regression. Given a source shell, we estimate diffusion tensor imaging (DTI) and use direction-agnostic parametric maps along with a brain mask as conditioning priors to guide a 3D U-Net regressor from source-shell to target-shell SH coefficients. To couple coefficient accuracy with signal fidelity, we introduce a signal consistency regularization that reconstructs signals on randomly sampled canonical directions from predicted coefficients and enforces agreement in the signal domain. Experiments on UK Biobank and Cam-CAN data for b=1000 to b=2000 dMRI synthesis show that DTI-SHNet achieves competitive visual quality compared to advanced methods, while better preserving downstream diffusion measures. Our code is available at https://github.com/xiaovhua/dti-shnet.
• Abstract（参考訳）: マルチシェル拡散MRI(dMRI)はシングルシェルスキャンよりも表現力のある微細構造モデリングを解き放つが、その長い取得時間によって大規模なコホートや時間制約のある臨床環境への展開が妨げられる。 単一シェル入力から観測不能なシェルを合成することは、プロトコルミスマッチによって根本的に不適切で複雑になり、ソースとターゲットの勾配方向セットが整合しない。 DTI-SHNetは,実対称球面高調波(SH)係数領域で動作し,空間的に認識されたボリュームレグレッションを行う単一対マルチシェル合成フレームワークである。 原殻が与えられた場合,拡散テンソルイメージング(DTI)を推定し,脳マスクとともに3次元U-Net回帰器を原殻から目標SH係数へ誘導するために,方向に依存しないパラメトリックマップを条件付けに使用する。 信号の忠実度と係数の精度を一致させるために、予測された係数からランダムにサンプリングされた正準方向の信号を再構成し、信号領域における一致を強制する信号整合正則化を導入する。 英国のBiobankとCam-CANのデータを用いたb=1000からb=2000dMRI合成実験により、DTI-SHNetは、より進んだ手法と比較して、競争力のある視覚的品質を達成し、下流拡散対策をよりよく保存することを示した。 私たちのコードはhttps://github.com/xiaovhua/dti-shnet.comで公開されています。

関連論文リスト

• Equivariant Continuous Normalizing Flows with Offline Sampling for Fermionic Ground State Estimation [0.0]
  フローは置換同変ニューラルODEとして実装される。 調和に閉じ込められたスピンレス電子系のトレーニングは、CISD基準値以下の基底状態エネルギーを示す。 スケーリング実験では、NERSCのPerlmutterスーパーコンピュータの32のGPUノードを使用して、1～128のNVIDIA A100のほぼ理想的なスケーリングを実証している。
  論文  参考訳（メタデータ） (2026-07-20T20:17:13Z)
• Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
  抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。 相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。 まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
  論文  参考訳（メタデータ） (2026-07-13T14:03:26Z)
• Monitoring Neural Training with Topology: A Footprint-Predictable Collapse Index [51.56484100374058]
  我々は,MHM(Modular Morse Homology maintenance)とCI(Composite Collapse Index)を併用したオンライントポロジ対応型神経表現モニタを提案する。 コンプレックスを再構築する代わりに、スパース編集を一定のスケールで適用し、離散的なモースマッチングを維持し、高速でインクリメンタルな更新をもたらす。
  論文  参考訳（メタデータ） (2026-04-28T19:21:21Z)
• Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
  受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。 これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
  論文  参考訳（メタデータ） (2026-02-04T15:25:02Z)
• Compressed BC-LISTA via Low-Rank Convolutional Decomposition [47.15001096567547]
  圧縮前方・後方演算子を用いたマルチチャネルイメージングのためのスパース信号回復法(SSR)について検討した。 本稿では,低ランク畳み込みネットワーク(CNN)分解に基づくCBC(Compressed Block-Convolutional)測定モデルを提案する。
  論文  参考訳（メタデータ） (2026-01-30T16:33:51Z)
• SWAN: Self-supervised Wavelet Neural Network for Hyperspectral Image Unmixing [0.2624902795082451]
  本稿では,3段階の自己教師型ウェーブレットニューラルネットワークSWANについて紹介する。 この考え方は、自己教師付き学習パラダイムを用いて得られた不変かつ共変な特徴から潜在対称性を利用する。 信号対雑音比の異なる2つのベンチマーク合成データセットと3つの実ベンチマークハイパースペクトルデータセットで実験を行った。
  論文  参考訳（メタデータ） (2025-10-26T10:05:48Z)
• SH-SAS: An Implicit Neural Representation for Complex Spherical-Harmonic Scattering Fields for 3D Synthetic Aperture Sonar [10.13553727839228]
  本稿では,複雑な音響散乱場を球面調和係数の集合として表現する暗黙的神経表現SH-SASを紹介する。 以上の結果から,SH-SASは従来の手法よりも3次元再構成品質と幾何学的指標の点で優れていた。
  論文  参考訳（メタデータ） (2025-09-14T04:29:28Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• One-Dimensional Deep Image Prior for Curve Fitting of S-Parameters from Electromagnetic Solvers [57.441926088870325]
  Deep Image Prior(ディープ・イメージ・プライオリ、ディープ・イメージ・プライオリ、DIP)は、ランダムなd畳み込みニューラルネットワークの重みを最適化し、ノイズや過度な測定値からの信号に適合させる技術である。 本稿では,Vector Fitting (VF) の実装に対して,ほぼすべてのテスト例において優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-06T20:28:37Z)
• Enhancing Fiber Orientation Distributions using convolutional Neural Networks [0.0]
  商業的に取得したMRIにおけるFODの改善について学ぶ。 パッチベースの3次元畳み込みニューラルネットワーク(CNN)の評価 本手法により,シングルシェルdMRI取得プロトコル上でのCDDモデル推定が可能となる。
  論文  参考訳（メタデータ） (2020-08-12T16:06:25Z)

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。