論文の概要: You Cannot Recover What Was Never Measured: Quantifying the Information Ceiling of Ultra-Low-Field MRI Super-Resolution

• arxiv url: http://arxiv.org/abs/2609.36837v1
• Date: Tue, 29 Sep 2026 06:46:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.245983
• Title: You Cannot Recover What Was Never Measured: Quantifying the Information Ceiling of Ultra-Low-Field MRI Super-Resolution
• Title（参考訳）: 超低磁場MRIの超解像情報シーリングの定量化
• Abstract要約: 次世代の超高解像度モデルでは、ポータブルな64mT MRIを3Tスキャンのような画像に変換することができる。 実際のローフィールドスキャンの被検体に関する情報が実際にどの程度含まれているかを測定する。 脳全体で判断すると、実際の64mTスキャンは、平面で約3mmから4mmのハーフピッチしか持たない個人特有の構造を持っていることがわかった。
• 参考スコア（独自算出の注目度）: 1.9573380763700712
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Generative super-resolution models can turn portable 64 mT MRI into images that look like 3T scans, and the field evaluates them with PSNR, SSIM, and pixelwise uncertainty, most often on pairs built by synthetically degrading high-field images. Prior work acknowledges that these models hallucinate and that the problem is ill posed, but to our knowledge no study measures how much information about the individual subject the real low-field scan actually contains. We measure it. Using paired 64 mT and 3T scans of the same subjects from three public datasets, and a measurement protocol validated on tests whose correct answer is known in advance, we find that, judged over the whole brain, real 64 mT scans carry structure specific to the individual only down to approximately 3 to 4 mm half-pitch in plane, and coarser still through plane. Standard synthetic degradations preserve subject information roughly 1 mm beyond this ceiling, so models trained and benchmarked on synthetic pairs are evaluated on information that real scanners never record. We then test trained diffusion models and a publicly released external model on real paired acquisitions; 24 trained runs of five architectures (GAN, diffusion, and transformer families) give the coverage of the audit. On every subject where faithfulness can be measured, fine output detail is no more correlated with the subject's own 3T scan than with a stranger's, while sample-variance uncertainty does not distinguish fabricated structure from reconstruction difficulty. Because PSNR and SSIM score resemblance to a reference rather than whether detail belongs to the subject, a benchmark scored by them cannot tell recovery from fabrication. Code for the measurement protocol will be released so that recoverability claims can be tested for newer models.
• Abstract（参考訳）: 生成する超高解像度モデルでは、ポータブルな64mT MRIを3Tスキャンのような画像に変換し、PSNR、SSIM、ピクセル単位の不確実性で評価することができる。 これまでの研究では、これらのモデルが幻覚を呈し、問題が引き起こされていることを認めていましたが、我々の知識では、実際のローフィールドスキャンが実際にどれだけの情報を含んでいるかを計測する研究は行われていません。 私たちはそれを測定します。 3つの公開データセットから同じ被験者の64mTと3Tのペアスキャンと、正しい答えが事前に分かっているテストで検証された測定プロトコルを用いて、実際の64mTスキャンは、平面上の約3～4mmの半ピッチしか持たない個人特有の構造を持ち、まだ平面を通して粗いままであることがわかった。 標準的な合成劣化は、この天井から約1mm離れた範囲で対象情報を保存しているため、合成ペアでトレーニングされ、ベンチマークされたモデルは、実際のスキャナーが記録しない情報に基づいて評価される。 トレーニングされた5つのアーキテクチャ(GAN、拡散、変圧器ファミリー)の24のトレーニングされた実行が監査をカバーしています。 忠実度を計測できるすべての被験者において、詳細な出力詳細は他人の3Tスキャンと相関しないが、サンプル分散の不確実性は、構成された構造と再構成の難しさを区別しない。 PSNRとSSIMのスコアは、詳細が対象に属するかどうかではなく、参照に類似しているため、それらによって評価されたベンチマークは、製造からの回復を判断できない。 測定プロトコルのコードはリリースされ、新しいモデルでリカバリ可能性クレームをテストすることができる。

関連論文リスト

• REALIS: A Curated Dataset for Studying the Challenges of AI Image Detection [41.56501588335545]
  42の現代テキスト画像モデルによって生成された133万のリアル画像と合成画像のデータセットであるREALISを紹介する。 また、高品質な合成画像のためのストレステストサブセットであるREALIS-Expertを紹介する。 提案手法は,REALISに基づいて,事前学習された検出器,微調整されたモデル,ジェネレータおよび後処理シフト下でのゼロショットビジョン言語モデルを評価する。
  論文  参考訳（メタデータ） (2026-09-26T15:53:36Z)
• Diffusion-Driven Generation of Minimally Preprocessed Brain MRI [2.5614202974697786]
  本研究の目的は,3つの拡散確率モデル(DDPM)を提示し,比較することである。 3つのDDPMは、公開されている38個の脳MRIデータセットにまたがる42,406人の被験者の80,675個の画像ボリュームを使用して訓練された。
  論文  参考訳（メタデータ） (2025-10-29T19:13:32Z)
• APTOS-2024 challenge report: Generation of synthetic 3D OCT images from fundus photographs [42.58128666405841]
  アジア太平洋眼科会(Asia Pacific Tele-Ophthalmology Society)は、人工知能に基づくOCT生成(OCT Generation from Fundus Images)という課題を組織した。 本稿では、ベンチマークデータセットを含むチャレンジフレームワーク(APTOS-2024 Challenge)について詳述する。 このチャレンジには342チームが参加し、42の予備出場と9人のファイナリストが参加した。
  論文  参考訳（メタデータ） (2025-06-09T08:29:37Z)
• MRI Image Generation Based on Text Prompts [0.0]
  本研究では,実際のMRIデータセットを取得する際の課題を解決するために,安定拡散(SD)モデルを用いたテキストプロンプトMRI画像生成について検討する。 SDモデルは3Tの高速MRIデータセットと0.3TのM4Rawデータセットを用いて微調整された。 Fr'echet Inception Distance (FID) やMulti-Scale Structure similarity (MS-SSIM) などの測定値を用いて微調整モデルの性能を評価した。
  論文  参考訳（メタデータ） (2025-05-23T03:01:22Z)
• Schrödinger Diffusion Driven Signal Recovery in 3T BOLD fMRI Using Unmatched 7T Observations [1.8091533096543726]
  本稿では,3T BOLD fMRI 取得の品質向上を目的とした新しい計算手法を提案する。 我々は、軽量で教師なしのSchr"odinger Bridgeフレームワークを使用して、3Tデータの高SNR、高解像度のデータを推測する。 以上の結果から,標準的な3T取得から7Tレベルの品質を計算的に近似することが可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-04-01T17:41:24Z)
• Unsupervised Multi-Parameter Inverse Solving for Reducing Ring Artifacts in 3D X-Ray CBCT [51.95884144860506]
  3次元コーンビームCT(CBCT)におけるリングアーティファクトの意義 既存のSOTA(State-of-the-art)リングアーティファクトリダクション(RAR)法は、大規模なペアCTデータセットによる教師あり学習に依存している。 本研究では,新しい教師なしRAR手法であるRinerを提案する。
  論文  参考訳（メタデータ） (2024-12-08T08:22:58Z)
• CABLD: Contrast-Agnostic Brain Landmark Detection with Consistency-Based Regularization [2.423045468361048]
  CABLDは、ラベルなしスキャンにおける3次元脳ランドマーク検出のための、新しい自己教師型ディープラーニングフレームワークである。 提案手法はMRIによる脳のランドマーク検出を複雑に行うことで実証する。 我々のフレームワークは、解剖学的ランドマーク検出のための堅牢で正確なソリューションを提供し、広範囲の注釈付きデータセットの必要性を減らす。
  論文  参考訳（メタデータ） (2024-11-26T19:56:29Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Self-Supervised Out-of-Distribution Detection in Brain CT Scans [46.78055929759839]
  本稿では,異常検出のための自己教師付き学習手法を提案する。 私たちのアーキテクチャは、主に、1)再構成と2)幾何学的変換を予測する2つの部分で構成されています。 試験時間において、幾何変換予測器は、幾何変換と予測との誤差を計算することにより、異常スコアを割り当てることができる。
  論文  参考訳（メタデータ） (2020-11-10T22:21:48Z)
• Noise Reduction to Compute Tissue Mineral Density and Trabecular Bone Volume Fraction from Low Resolution QCT [0.31666540219908274]
  本稿では,QCT(Quantical Computed Tomography)ノイズ低減のための,特定の損失関数を持つ3次元ニューラルネットワークを提案する。 組織ミネラル密度 (TMD) や骨量比 (BV/TV) などの微細構造パラメータを、ノイズ低減フィルタや標準ノイズ低減フィルタよりもはるかに高精度に計算する。
  論文  参考訳（メタデータ） (2020-11-04T16:17:24Z)

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。