論文の概要: GraphSVR: q-Space--Aware Graph-Based Slice-to-Volume Registration for Diffusion MRI

• arxiv url: http://arxiv.org/abs/2609.24732v1
• Date: Mon, 21 Sep 2026 15:06:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.352594
• Title: GraphSVR: q-Space--Aware Graph-Based Slice-to-Volume Registration for Diffusion MRI
• Title（参考訳）: GraphSVR: 拡散MRIのためのq空間対応グラフベーススライス・ツー・ヴォームレジストレーション
• Abstract要約: 拡散強調画像(DWI)は被写体運動に対して非常に脆弱である。 DWIにおける4D SVR登録のためのグラフベースのフレームワークであるGraphSVRを紹介する。 グラフニューラルネットワークは、自己教師型ゼロショット方式で最適化された、グローバルに一貫したスタック単位の剛性運動を予測する。
• 参考スコア（独自算出の注目度）: 7.058728501454238
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Diffusion-weighted imaging (DWI) remains highly vulnerable to subject motion, particularly in time-efficient protocols and in motion-prone populations. While slice-to-volume registration (SVR) can mitigate inter-slice and inter-stack misalignment, diffusion MRI introduces additional complexity due to diffusion-direction-dependent contrast and the requirement to align dozens of measurements within a common reference frame, effectively yielding a 4D registration problem. Existing approaches rely primarily on sequential modeling or pairwise similarity and often degrade under sparse gradient sampling or severe motion. We introduce GraphSVR, a q-space-aware graph-based framework for 4D SVR registration in DWI. GraphSVR represents slice groups as nodes in an acquisition-structured graph, with edges encoding temporal proximity, spatial slice geometry and diffusion encoding relationships. A graph neural network predicts globally consistent stack-wise rigid motion, optimized in a self-supervised, zero-shot manner using only an anatomical reference image, without requiring paired ground-truth motion. We evaluate GraphSVR using both fully synthetic diffusion simulations and realistic recombination-based simulations from real acquisitions with controllable motion severity and gradient sparsity. Performance is quantified using grid error (mm) and rotation error relative to known ground-truth transforms. Under severe motion, GraphSVR reduces grid error and rotation error by 73% compared to FSL eddy, the standard DWI motion-correction method, with the largest gains observed in sparse-direction regimes. These results demonstrate that explicitly modeling acquisition structure through graph-based reasoning improves robustness and global consistency in 4D DWI motion estimation. Code is available at https://github.com/nogakertes/GraphSVR.git.
• Abstract（参考訳）: 拡散強調画像(DWI)は被写体運動、特に時間効率のよいプロトコールや移動頻度の高い集団に対して非常に脆弱である。 スライス・ツー・ボリューム・レジストレーション(SVR)はスライス・ツー・ボリューム間ミスアライメントを緩和するが、拡散MRIは拡散方向依存コントラストと、何十もの測定を共通の参照フレーム内で整列させることにより、さらなる複雑さを導入し、事実上4D登録問題をもたらす。 既存のアプローチは主にシーケンシャルなモデリングやペアの類似性に依存しており、しばしばスパース勾配サンプリングや厳しい動きの下で分解される。 DWIにおける4D SVR登録のためのQスペース対応グラフベースのフレームワークであるGraphSVRを紹介する。 GraphSVRは、エッジが時間的近接性、空間的スライス幾何学、拡散符号化関係をコードする、取得構造化グラフのノードとしてスライスグループを表す。 グラフニューラルネットワークは、一対の接地構造運動を必要とせず、解剖学的基準画像のみを用いて、自己教師付きゼロショット方式で最適化された、グローバルに一貫したスタック単位の剛性運動を予測する。 完全に合成された拡散シミュレーションと現実的な組換えに基づくシミュレーションの両方を用いて、制御可能な運動重大度と勾配間隔を持つ実取得からGraphSVRを評価する。 格子誤差 (mm) と回転誤差を既知の接地トラス変換と比較することにより, 性能を定量化する。 厳しい動きの下では、GraphSVRは標準のDWI運動補正法であるFSL eddyと比較して格子誤差と回転誤差を73%削減し、スパース方向法では最大の利得が観測される。 これらの結果は,グラフに基づく推論による獲得構造を明示的にモデル化することで,4次元DWI運動推定におけるロバストネスと大域的一貫性が向上することを示す。 コードはhttps://github.com/nogakertes/GraphSVR.gitで入手できる。

関連論文リスト

• Fluid-DiT: Graph-Free Diffusion Transformers for Fluid Flow Simulations Learning [50.053186229257555]
  本稿では,グラフメッセージパッシングを注意に基づく認知に置き換えるグラフ自由拡散変換器を提案する。 変換器のグローバルな受容場を利用することで、Fluid-DiTは局所フロー構造と長距離相関の両方を自然に捉える。 サンプルの品質と分布精度の両方において、グラフベースの拡散ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-08-07T12:28:45Z)
• Anatomy-Guided Residual Motion Diffusion for Controllable 4D Cardiac MRI Synthesis [15.392128655814451]
  解剖学的に一貫したデータ拡張のための4次元制御可能な生成フレームワークを提案する。 半教師付き変分オートエンコーダは、解剖学的ボリュームのコンパクトな潜在表現を学習する。 解剖学的構造は、カスケードされた潜在拡散モデルを通して時間力学から切り離される。
  論文  参考訳（メタデータ） (2026-06-25T08:48:45Z)
• MotionMAR: Multi-scale Auto-Regressive Human Motion Reconstruction from Sparse Observations [51.837372131319285]
  MotionMARは、スパース観測からの運動再構成のためのフレームワークである。 まず、人間の動きのグローバルな軌跡を推定し、時間的詳細を徐々に洗練する。 MotionMARは、AMASSデータセット上で最先端の精度を達成する。
  論文  参考訳（メタデータ） (2026-06-22T08:15:56Z)
• Graph Signal Generative Diffusion Models [74.75869068073577]
  拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。 アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。 株価の確率予測における拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-21T21:57:27Z)
• Event-based Graph Representation with Spatial and Motion Vectors for Asynchronous Object Detection [20.537672896807063]
  イベントベースのセンサは、高時間分解能と不規則レイテンシを提供する。 このデータを高密度テンソルに変換することで、標準的なニューラルネットワークでの使用は、これらの固有の利点を減らします。 本稿では,空間構造と時間的変化をよりよく捉えるために,新しい多面的表現を提案する。
  論文  参考訳（メタデータ） (2025-07-20T23:02:23Z)
• 4DGC: Rate-Aware 4D Gaussian Compression for Efficient Streamable Free-Viewpoint Video [56.04182926886754]
  3D Gaussian Splatting (3DGS)は、フォトリアリスティック・フリー・ビューポイント・ビデオ(FVV)体験を可能にする大きな可能性を秘めている。 既存の方法は、動的3DGS表現と圧縮を別々に扱うのが一般的である。 本稿では,FVVのRD性能を向上しつつ,ストレージサイズを大幅に削減するレート対応4Dガウス圧縮フレームワークである4DGCを提案する。
  論文  参考訳（メタデータ） (2025-03-24T08:05:27Z)
• LASE: Learned Adjacency Spectral Embeddings [9.227991604045416]
  グラフ入力から結節隣接スペクトル埋め込み(ASE)を学習する。 LASEは解釈可能で、パラメータ効率が高く、未観測のエッジを持つ入力に対して堅牢である。 LASEレイヤは、Graph Convolutional Network (GCN)と完全に接続されたGraph Attention Network (GAT)モジュールを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-23T17:35:19Z)
• Sparse Training of Discrete Diffusion Models for Graph Generation [45.103518022696996]
  SparseDiffは、ほとんど全ての大きなグラフがスパースであるという観察に基づく、新しい拡散モデルである。 エッジのサブセットを選択することで、SparseDiffは、ノイズ発生過程とノイズ発生ネットワーク内のスパースグラフ表現を効果的に活用する。 本モデルでは,小規模・大規模両方のデータセットにおいて,複数のメトリクスにわたる最先端性能を示す。
  論文  参考訳（メタデータ） (2023-11-03T16:50:26Z)
• E-Graph: Minimal Solution for Rigid Rotation with Extensibility Graphs [61.552125054227595]
  重なり合う領域を持たない2つの画像間の相対的な回転推定を解くために,新しい最小解を提案する。 E-Graphに基づいて、回転推定問題はより単純でエレガントになる。 回転推定戦略を6-DoFカメラのポーズと高密度3Dメッシュモデルを得る完全カメラ追跡マッピングシステムに組み込む。
  論文  参考訳（メタデータ） (2022-07-20T16:11:48Z)
• OcclusionFusion: Occlusion-aware Motion Estimation for Real-time Dynamic 3D Reconstruction [14.130915525776055]
  RGBDに基づくリアルタイム動的3次元再構成は、フレーム間運動推定の不正確さに悩まされる。 オクルージョンフュージョン(OcclusionFusion, OcclusionFusion)は、オクルージョンを意識した3次元運動を計算し、再構成を誘導する手法である。 本手法は,既存の単一ビューベースリアルタイム手法よりも大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2022-03-15T15:09:01Z)

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。