論文の概要: OpenMASC: An Open-Source Pipeline for Cross-Trajectory Metal-Aware Sampling and Correction in Accelerated MRI

• arxiv url: http://arxiv.org/abs/2609.32343v1
• Date: Sat, 26 Sep 2026 08:04:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 17:34:15.075945
• Title: OpenMASC: An Open-Source Pipeline for Cross-Trajectory Metal-Aware Sampling and Correction in Accelerated MRI
• Title（参考訳）: OpenMASC: 加速MRIにおけるクロストラジェクトリ・メタル・アウェアサンプリングと補正のためのオープンソースパイプライン
• Abstract要約: 金属インプラントは、$k$-spaceでMRI測定を破損させる。 パブリックデータセットは、同じ解剖学のために、$k$スペースのペアと、金属と非金属のイメージを提供していません。 データ生成からデプロイメントまでの完全なワークフローをカバーするオープンソースのパイプラインであるOpenMASCを紹介します。
• 参考スコア（独自算出の注目度）: 18.47534199434918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Metal implants corrupt MRI measurements throughout $k$-space, yet existing accelerated MRI methods assume clean data and most metal artifact reduction approaches assume fully sampled acquisitions. No public dataset provides paired $k$-space and images with and without metal for the same anatomy, and no framework jointly addresses artifact-aware acquisition and reconstruction across sampling trajectories. We present OpenMASC, an open-source pipeline covering the full workflow from data generation to deployment. A physics-based data generation module converts public CT volumes into paired clean and metal-corrupted MRI data in both Cartesian and radial formats. MA-VarNet, an unrolled reconstruction network with a per-cascade DC Rectifier, corrects artifacts that data-consistency steps reintroduce from corrupted measurements. A reinforcement learning agent actively selects $k$-space readouts and co-trains with the reconstruction network through a decoupled three-stage procedure. The framework is trajectory-agnostic except for the data-consistency operator, supporting both Cartesian and radial acquisition without architectural changes. Experiments on two datasets at $4\times$ and $8\times$ acceleration demonstrate consistent improvements over conventional and learned baselines on both trajectories.
• Abstract（参考訳）: 金属インプラントは$k$-spaceでMRI測定を破損させるが、既存の加速MRI法はクリーンなデータを仮定し、ほとんどの金属人工物還元法は完全なサンプル取得を前提としている。 パブリックデータセットは、同じ解剖学のために、同じ$k$スペースと、金属のないイメージをペアに提供せず、サンプリング軌跡をまたいだアーティファクト認識の取得と再構築に共同で対処するフレームワークはない。 データ生成からデプロイメントまでの完全なワークフローをカバーするオープンソースのパイプラインであるOpenMASCを紹介します。 物理ベースのデータ生成モジュールは、パブリックCTボリュームを、カルテとラジアルの両方のフォーマットで、ペア化されたクリーンとメタルの破損したMRIデータに変換する。 MA-VarNetは、カスケード毎のDC整流器を備えた非ロールの再構成ネットワークで、データ一貫性ステップが破損した測定から再導入するアーティファクトを補正する。 強化学習エージェントは、分離された3段階の手順により、$k$スペースの読み出しと再構成ネットワークとの協調訓練を積極的に選択する。 このフレームワークはデータ一貫性演算子を除いて軌道に依存しないため、アーキテクチャの変更なしにCartesianとradialの買収をサポートする。 4\times$と8\times$Accelerrationの2つのデータセットの実験では、従来のベースラインと学習ベースラインを両トラジェクトリで一貫した改善が示されている。

関連論文リスト

• Solution for UCF UrbanTwin V2X-Real Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
  本報告では,Sim2Real 3D検出のためのマルチソース協調学習とクラス認識融合フレームワークを提案する。 この方法は、デジタルツインスキャン、拡散露光スキャン、密度安定化スキャン、歩行者形態に整列したサンプルを補完的な役割を持つ統合トレーニングプールに整理する。
  論文  参考訳（メタデータ） (2026-09-07T15:16:15Z)
• BREIT: A Framework for Brain Stroke Reconstruction using Multi-Frequency 3D EIT [2.3332469289621787]
  マルチ周波数電気インピーダンストモグラフィ(MF-EIT)は、境界電圧から電界分布を再構成する非侵襲的で低コストなモダリティである。 脳卒中画像における3次元深層学習の進展は,GTボリュームと組み合わせた大規模データセットの欠如によって制限される。 i) CT/MRIを周波数依存GT肯定ボリュームに変換するフーリエ・ツー・EITパイプライン; (ii) Python 3D完全電極モデル(CEM)を前方に導入する。
  論文  参考訳（メタデータ） (2026-06-27T07:37:16Z)
• CoilDrop-MRI: Self-supervised physics-guided MRI reconstruction with coil dropout [15.971722204925554]
  我々は,コイルワイドドロップアウトを入力に適用したCoilDrop-MRIを提案する。 C CoilDrop-MRIはマルチサイト、マルチフィールド(0.3T, 0.55T, 3T)、マルチモダリティ(T1重み、T2重み、T2重み、T2FLAIR、dMRI)のデータセットで広く検証されている。
  論文  参考訳（メタデータ） (2026-05-26T02:20:51Z)
• MASC: Metal-Aware Sampling and Correction via Reinforcement Learning for Accelerated MRI [18.47534199434918]
  MRIの金属インプラントは、画像の品質を低下させ、臨床診断を妨げる深刻な人工物を引き起こす。 我々は,加速MRIのためのメタアウェアk空間サンプリングとアーティファクト補正を共同で最適化する統合強化学習フレームワークMASCを提案する。
  論文  参考訳（メタデータ） (2026-01-30T21:53:43Z)
• Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
  楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。 本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。 $|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
  論文  参考訳（メタデータ） (2025-12-22T10:03:51Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Deep Metric Learning for Unsupervised Remote Sensing Change Detection [60.89777029184023]
  リモートセンシング変化検出(RS-CD)は、マルチテンポラルリモートセンシング画像(MT-RSI)から関連する変化を検出することを目的とする。 既存のRS-CD法の性能は、大規模な注釈付きデータセットのトレーニングによるものである。 本稿では,これらの問題に対処可能なディープメトリック学習に基づく教師なしCD手法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T17:52:45Z)
• On Retrospective k-space Subsampling schemes For Deep MRI Reconstruction [2.4934936799100034]
  直交的または非直交的軌跡はMRIスキャナーで代替のサブサンプリングオプションとして実装することができる。 本研究は,1k$-spaceサブサンプリング方式がMRIの再構成精度に及ぼす影響について検討する。
  論文  参考訳（メタデータ） (2023-01-20T00:05:18Z)
• Dense Hybrid Recurrent Multi-view Stereo Net with Dynamic Consistency Checking [54.58791377183574]
  1)DRENet(Dense Reception Expanded)モジュールで,原サイズの密集した特徴マップをマルチスケールのコンテキスト情報で抽出し,2)HU-LSTM(Hybrid U-LSTM)を用いて3次元マッチングボリュームを予測深度マップに変換する。 R-MVSNetのメモリ消費は19.4%しかかからないが,本手法は最先端の手法と競合する性能を示し,メモリ消費を劇的に削減する。
  論文  参考訳（メタデータ） (2020-07-21T14:59:59Z)

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。