論文の概要: Joint Supervised and Self-Supervised Training with Acquisition-Robust Techniques for Accelerated 4D Flow MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2609.38644v1
• Date: Tue, 29 Sep 2026 23:03:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.831779
• Title: Joint Supervised and Self-Supervised Training with Acquisition-Robust Techniques for Accelerated 4D Flow MRI Reconstruction
• Title（参考訳）: 加速4次元MRI画像再構成のためのAcquisition-Robust法による共同指導と自己監督訓練
• Abstract要約: 4DフローMRIは、時間分解された3方向の血流速度を測定するが、長い取得時間を必要とする。 近年,この領域における画像再構成に対処するエンコードごとの変分ネットワークが開発されている。 本研究は,共同指導型・自己指導型トレーニングシステムを導入し,監督中の大小データと速度データを両立させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 4D flow MRI measures time-resolved, three-directional blood velocity but requires long acquisition times, and its diagnostic signal is carried by the phase difference \emph{between} velocity encodings, not by image magnitude. Recent work has developed a per-encoding variational network to address image reconstruction in this field. In this work, we incorporate a joint supervised and self-supervised training regime and utilize both magnitude and velocity data during supervision. At the same time, we add multiple acquisition-robust and conditioning strategies based on the acceleration factors. On the CMRx4DFlow~2026 aortic dataset (1.5 and 3T), our model lowers RelErr by $38$--$50\%$ and AngErr by $7.0$--$8.7^\circ$ against a training-matched baseline across $R{=}10$--$50$, improving on every held-out subject at every acceleration. Our model also shows strong generalization ability to transfer on out-of-distribution data by employing the joint training scheme, with an increase of $7.2\%$ in SSIM and decrease of $38\%$ and $31\%$ in AngErr and RelErr respectively.
• Abstract（参考訳）: 4DフローMRIは、時間分解された3方向の血流速度を測定するが、長い取得時間を必要とし、その診断信号は画像の大きさではなく、位相差 \emph{between} 速度エンコーディングによって運ばれる。 近年,この領域における画像再構成に対処するエンコードごとの変分ネットワークが開発されている。 本研究は,共同指導型・自己指導型トレーニングシステムを導入し,監督中の大小データと速度データを両立させる。 同時に、アクセラレーション要因に基づいた複数の取得ロバストと条件付け戦略も追加する。 CMRx4DFlow~2026大動脈データセット(1.5および3T)では、我々のモデルはRelErrを38$--$50\%$で下げ、AngErrを7.0$--$8.7^\circ$で、R{=}10$-$50$でトレーニングマッチしたベースラインに対して下げる。 また,SSIMでは7.2\%,AngErrでは38\%,RelErrでは3.1\%の値がそれぞれ増加した。

関連論文リスト

• GroundAnything: Reconciling Parallel Decoding with Precise Visual Grounding at Flash Speed [71.05944634852158]
  GroundAnythingはブロックワイズによる正確なローカライゼーションで高速並列デコーディングを再構成する。 30のグラウンドベンチマークで、私たちの自己回帰型であるGroundAnything-VLMは、この技術の新たな全体的な状態を確立します。 エントロピー誘導復号法により、GroundAnythingは、この規模の芸術の先行状態を超越している。
  論文  参考訳（メタデータ） (2026-09-30T12:20:51Z)
• Rethinking Cross-Layer Information Routing in Diffusion Transformers [17.704741758253675]
  Diffusion Transformer (DiT) は、現代の視覚生成の事実上のバックボーンとなっている。 本稿では,DiTsにおける層間情報フローの系統的解析について述べる。 そこで本稿では,Diffusion-Adaptive Routing(textscDAR)を提案する。
  論文  参考訳（メタデータ） (2026-05-20T05:07:15Z)
• SDUM: A Scalable Deep Unrolled Model for Universal MRI Reconstruction [12.71974212207688]
  Scalable Deep Unrolled Model (SDUM) は、Restormerベースの再構成器と学習されたコイル感度マップ推定器を組み合わせた普遍的なフレームワークである。 不均一なデータに基づいてトレーニングされた単一のSDUMは、4つのCMRxRecon2025課題すべてに対して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-12-19T00:09:32Z)
• MeanFlow Transformers with Representation Autoencoders [71.45823902973349]
  MeanFlow(MF)は、ノイズからデータへのジャンプを直接学習することで、効率的な数ステップ生成を可能にする拡散動機付き生成モデルである。 我々は、表現オートエンコーダ(RAE)の潜在空間におけるMFの効率的なトレーニングとサンプリング手法を開発する。 1ステップのFIDが2.03であり,バニラMFの3.43を上回っ,GFLOPSのサンプリングを38%削減し,ImageNet 256のトレーニングコストを83%削減した。
  論文  参考訳（メタデータ） (2025-11-17T06:17:08Z)
• FastGS: Training 3D Gaussian Splatting in 100 Seconds [15.1354395071878]
  我々は,新しい,シンプルで汎用的なアクセラレーションフレームワークであるFastGSを提案する。 多視点整合性に基づく各ガウスの重要性を十分に考慮する。 トレーニング時間とレンダリング品質のトレードオフを効率よく解決します。
  論文  参考訳（メタデータ） (2025-11-06T11:21:16Z)
• Speedy Deformable 3D Gaussian Splatting: Fast Rendering and Compression of Dynamic Scenes [57.69608119350651]
  動的シーンへの3次元ガウススティング(3DGS)の最近の拡張は、ニューラルネットワークを用いて各ガウスの時間変化変形を予測することによって、高品質な新規ビュー合成を実現する。 しかしながら、ガウス毎のニューラルネットワークを各フレームで実行することは、レンダリング速度を制限し、メモリと計算要求を増大させる、重大なボトルネックとなる。 動的3DGSおよび4DGS表現のレンダリング速度を2つの相補的手法により低減し,高速化する汎用パイプラインであるSpeedy Deformable 3D Gaussian Splatting(SpeeDe3DGS)を提案する。
  論文  参考訳（メタデータ） (2025-06-09T16:30:48Z)
• Simple ReFlow: Improved Techniques for Fast Flow Models [68.32300636049008]
  拡散および流れマッチングモデルは、優れた生成性能を実現するが、多くのサンプリングステップを犠牲にしている。 我々は、力学、学習、推論のトレーニングに7つの改善点を提案する。 我々は、ニューラルネットワークによる高速な生成のために、最先端のFIDスコア(ガイダンスなし/参照なし)を達成している。
  論文  参考訳（メタデータ） (2024-10-10T11:00:55Z)
• Taming 3DGS: High-Quality Radiance Fields with Limited Resources [50.92437599516609]
  3D Gaussian Splatting (3DGS)は、高速で解釈可能で高忠実なレンダリングで新規ビュー合成を変換した。 予算で3DGSモデルをトレーニングし、レンダリングするという課題に取り組みます。 我々は、勾配計算と属性更新のための高速で数値的に等価な解を導出する。
  論文  参考訳（メタデータ） (2024-06-21T20:44:23Z)
• GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
  アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。 これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。 我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
  論文  参考訳（メタデータ） (2022-07-18T06:01:29Z)
• On learning adaptive acquisition policies for undersampled multi-coil MRI reconstruction [6.17477133700348]
  本研究では,再建モデルと獲得方針を併用した共同学習の課題について考察する。 我々は、異なるデータポイントに対応可能な学習可能な取得ポリシーにより、エンド・ツー・エンド変分ネットワークを拡張します。
  論文  参考訳（メタデータ） (2022-03-30T15:23:23Z)

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。