論文の概要: Uncertainty-Aware 3D Residual Wavelet Diffusion for Ultra Low-Field MRI Super-Resolution

• arxiv url: http://arxiv.org/abs/2609.25319v1
• Date: Mon, 21 Sep 2026 19:10:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.087693
• Title: Uncertainty-Aware 3D Residual Wavelet Diffusion for Ultra Low-Field MRI Super-Resolution
• Title（参考訳）: 超低磁場MRI超解像における不確実性3次元残留ウェーブレット拡散
• Abstract要約: 生成拡散モデルは、可塑性高磁場像の後方分布をサンプリングすることで代替となる。 3次元脳MRIへの適用は、メモリボトルネック、スローサンプリング、スキャナドメインシフトによって制限される。 本稿では,これらのハードルを克服するための3つのアイデアを組み合わせた3次元残留ウェーブレット拡散モデルを提案する。
• 参考スコア（独自算出の注目度）: 4.224217828581922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultra low-field MRI expands global access to neuroimaging but produces scans with low signal-to-noise ratio, reduced contrast, and thick slices. While regression-based super-resolution can recover anatomical detail for segmentation, it returns a single deterministic estimate that gives no indication of regions where the low-field input leaves anatomy underdetermined. Generative diffusion models offer an alternative by sampling the posterior distribution of plausible high-field images, quantifying this anatomical ambiguity. However, applying them to 3D whole-brain MRI is restricted by memory bottlenecks, slow sampling, and scanner domain shifts. We propose a 3D residual wavelet diffusion model that combines three ideas to overcome these hurdles. A lossless wavelet reparameterisation shrinks the spatial grid to fit a whole brain on a single GPU, residual shifting accelerates sampling by starting from the low-field input, and domain randomisation promotes scanner generalisation without paired training data. As the high-field reference is not a voxel-aligned ground truth, we evaluate downstream volumetric agreement. On a healthy cohort (n=19) imaged at 0.064T and 3T, our method matches a leading general-purpose regression approach in volumetric accuracy while additionally generating per-voxel uncertainty maps highlighting underdetermined regions. Furthermore, on a pilot dataset (n=11) of participants with cognitive impairment, disease-relevant atrophy is preserved rather than normalised towards a healthy prior. Our framework brings whole-brain posterior sampling to low-field super-resolution without sacrificing volumetric accuracy.
• Abstract（参考訳）: ウルトラローフィールドMRIは、ニューロイメージングへのグローバルアクセスを拡大するが、低信号対雑音比、コントラストの減少、厚いスライスでスキャンを生成する。 回帰に基づく超解像は、セグメンテーションの解剖学的詳細を復元することができるが、低磁場入力が解剖学を過小評価した領域を示さない単一の決定論的推定を返す。 生成拡散モデルは、可塑性高磁場像の後方分布をサンプリングし、この解剖学的曖昧さを定量化する代替手段を提供する。 しかし、これらを3次元脳MRIに適用することは、メモリボトルネック、遅いサンプリング、スキャナドメインシフトによって制限される。 本稿では,これらのハードルを克服するための3つのアイデアを組み合わせた3次元残留ウェーブレット拡散モデルを提案する。 損失のないウェーブレット再パラメータ化は、空間格子を縮小して単一のGPUに全脳を適合させ、残差シフトはローフィールド入力から始めることでサンプリングを加速し、ドメインランダム化はペアのトレーニングデータなしでスキャナの一般化を促進する。 高磁場参照はボクセル整合基底真理ではないので、下流のボリューム合意を評価する。 0.064Tおよび3Tで画像化された健康コホート(n=19)では,本手法はボリューム精度において主目的回帰法と一致し,低決定領域を強調した語彙ごとの不確実性マップも生成する。 さらに、認知障害のある被験者のパイロットデータセット(n=11)では、疾患関連萎縮が正常化されるよりも、正常化される。 我々のフレームワークは、ボリューム精度を犠牲にすることなく、ローフィールド超解像に全脳後部サンプリングをもたらす。

関連論文リスト

• Rendering Novel Views of MRI Using 3D Gaussian Splatting [54.6286495315908]
  3D Gaussian Splatting を用いて, スパース異方性MRIから画像再構成を行い, 臨床評価に関係する解剖学的に整合した画像面を採取, 描画した。 新しいビュープレーンは対象解剖の診断に最適であるが、元のMRIはそうではない。
  論文  参考訳（メタデータ） (2026-06-24T18:00:03Z)
• Fast and Explicit: Slice-to-Volume Reconstruction via 3D Gaussian Primitives with Analytic Point Spread Function Modeling [16.058575857567373]
  脳の高分解能3D再構成は、運動崩壊した低分解能2D取得から、正確な神経発達診断の必要条件である。 本研究では,ニューラルネットワークに基づく表現から明示的な表現へのシフトを提案する。 本研究の枠組みは, リアルタイム3次元MRIの臨床的ルーチンへの転換の道筋をたどるものである。
  論文  参考訳（メタデータ） (2025-12-12T15:01:30Z)
• A Total Variation Regularized Framework for Epilepsy-Related MRI Image Segmentation [13.43616910092363]
  FCD ( Focal Cortical Dysplasia) は薬剤性てんかんの原因の一つである。 脳磁気共鳴画像(MRI)では、その病変の微妙で小さな性質のため、FCDは検出が難しい。 本稿では3次元脳MRI画像におけるFCD領域分割のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-10-06T18:07:17Z)
• SUFFICIENT: A scan-specific unsupervised deep learning framework for high-resolution 3D isotropic fetal brain MRI reconstruction [7.268308489093152]
  等方性HR容積再構成のための教師なし反復SVR-SRRフレームワークを提案する。 高分解能(HR)ボリュームを生成するために、ディープイメージ事前フレームワーク内に埋め込まれたデコードネットワークを包括的画像劣化モデルに組み込む。 大規模動乱シミュレーションデータと臨床データを用いて行った実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2025-05-23T04:53:59Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)
• 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)
• Probabilistic 3D surface reconstruction from sparse MRI information [58.14653650521129]
  スパース2次元MR画像データとアレータティック不確実性予測から3次元表面再構成を同時に行うための新しい確率論的深層学習手法を提案する。 本手法は,3つの準直交MR画像スライスから,限られたトレーニングセットから大きな表面メッシュを再構成することができる。
  論文  参考訳（メタデータ） (2020-10-05T14:18:52Z)

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。