論文の概要: MRI Super-Resolution with RCDM/WaveMix and Task-Aware Segmentation
- arxiv url: http://arxiv.org/abs/2609.39083v1
- Date: Wed, 30 Sep 2026 06:23:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.273746
- Title: MRI Super-Resolution with RCDM/WaveMix and Task-Aware Segmentation
- Title（参考訳）: RCDM/WaveMixとタスク認識セグメンテーションを用いたMRI超解像
- Abstract要約: 本研究は,組織セグメンテーションの促進が組織セグメンテーションを改善させるか,どのセグメンテーションを改善させるかを検討する。
軽量エンハンサーのための物理誘導訓練パイプラインを提案する。
U-Net, Swin-UNet, wavelet token-mixing segmenters citepjeevan2023wavemix を生画像または拡張画像1.5,T画像でスクラッチから訓練する。
- 参考スコア（独自算出の注目度）: 7.584510801719303
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Super-resolution and quality enhancement of 1.5\,T brain MRI are normally validated with image-fidelity metrics, although their purpose is to improve downstream analysis. We study whether enhancement improves tissue segmentation, and for which segmenters. We propose an unpaired, physics-guided training pipeline for a lightweight ($\le$2.5\,M parameter) recurrent convolutional enhancer: a six-module stochastic 1.5\,T degradation operator, a residual adversarial network that adds scanner-specific texture without moving anatomy, and a cycle-consistent objective with an anti-identity penalty that rules out the copy solution. We then train U-Net, Swin-UNet and wavelet token-mixing segmenters \citep{jeevan2023wavemix} from scratch on either raw or enhanced 1.5\,T images of the same subjects, using identical labels and subject-level splits, for three enhancer variants and two datasets. On ABIDE (41 held-out subjects, FreeSurfer labels) enhancement significantly improves the wavelet segmenter (mean Dice $+0.014$, Wilcoxon $p=3.5\times10^{-5}$; CSF $+0.018$, grey matter $+0.013$), significantly degrades the U-Net ($-0.008$, $p=5.1\times10^{-4}$) and leaves Swin-UNet unchanged. On IXI, whose labels come from FSL-FAST, enhancement lowers Dice for all nine pairings, almost entirely through CSF; we trace this to spatially implausible CSF voxels in the labels that penalise smoother predictions. Enhancement of low-field MRI should therefore be validated per downstream model and against reliable labels.
- Abstract（参考訳）: 1.5\,T脳MRIの高分解能・高画質化は、通常、画像忠実度測定で検証されるが、その目的は下流分析を改善することである。
本研究は,組織セグメンテーションの促進が組織セグメンテーションを改善させるか,どのセグメンテーションを改善させるかを検討する。
本稿では,6モジュール確率1.5\,T分解演算子と,解剖学を動かさずにスキャナ特異的なテクスチャを付加する残差対向ネットワークと,コピーソリューションを規定する反同一性ペナルティを持つサイクル整合性ペナルティを含む,軽量な($2.5\,Mパラメータ)リカレント畳み込みエンハンサのための物理誘導型トレーニングパイプラインを提案する。
U-Net, Swin-UNet および Wavelet token-mixing segmenters \citep{jeevan2023wavemix} を、同一のラベルと被写体レベルの分割を用いて、同一対象の1.5\,T 画像のスクラッチから3つのエンハンサー変種と2つのデータセットに対してトレーニングする。
ABIDE(41の保持対象、FreeSurferラベル)の強化はウェーブレットセグメンタ(平均$+0.014$, Wilcoxon $p=3.5\times10^{-5}$; CSF $+0.018$, gray matter $+0.013$)を大幅に改善し、U-Net$-0.008$, $p=5.1\times10^{-4}$)を著しく劣化させ、Swin-UNetをそのまま残す。
FSL-FASTからラベルが得られたIXIでは、拡張は9つのペアのすべてに対して、ほぼ完全にCSFを通してDiceを下げる。
したがって、低磁場MRIの強化は、下流モデル当たりおよび信頼できるラベルに対して検証されるべきである。
関連論文リスト
- CORE-STACK+: Meta-Learning for Deep Stacked Generalization [0.0]
スタックングヘテロジニアス視覚バックボーン(CNN、ViT、ハイブリッド)は、精度、校正、堅牢性のデファクトレシピである。
予測空間の多重コリンはメタラーナーのグラム行列を悪条件にし、重みの分散を膨らませ、薄い多様体上の脆い解を生成する。
ECEは、ホック後の温度スケーリングなしでディープアンサンブルよりも2.1タイムスで改善している。
論文 参考訳（メタデータ） (2026-09-22T18:03:36Z) - Component-Aware Differential Privacy for Federated Multilingual Speech-LLMs [43.01574038234673]
層ごとの差分プライバシー(DP)クリッピングは、パラメータ数に比例した行列ごとのクリッピング予算を割り当てることで、フェデレートラーニングにおける勾配忠実度を向上させる。
このレシピは音声大言語モデル(音声-LLM)において,音声エンコーダと言語デコーダが更新ノルムの桁違いに異なる場合に破られることを示す。
論文 参考訳（メタデータ） (2026-09-10T16:17:19Z) - HSMLA: Hierarchical Softmax Multi-scale Linear Attention for Efficient Vision Transformers [42.08672639695519]
我々は,大域的文脈に対するReLUに基づく線形注意,重要な局所特徴に対する選択的ソフトマックス改善,奥行きの畳み込みによるマルチスケールトークン表現を組み合わせたtextbfHSMLA(階層型ソフトマックス多大線形注意)を提案する。
HSMLAは高い精度と効率のトレードオフを達成しており、高密度の予測タスクで4.2times$推論時のスピードアップ、37.3%$Diceで3.2times$CT臓器セグメンテーションで3.2times$スピードアップ、94.2%$AUCで4.1times$病理診断WSIで4.1times$スピードアップを達成している。
論文 参考訳（メタデータ） (2026-08-07T03:47:04Z) - Scaling Attention via Feature Sparsity [50.64995497733461]
超長期のコンテキストにトランスフォーマーをスケールすることは、自己注意のコスト$O(n2 d)$コストによってボトルネックとなる。
本稿では,高次元表現性を維持するために,クエリとキーを$k$sparseコードとして表現するスパース特徴注意法を提案する。
GPT-2とQwen3の事前トレーニングで、SFAは密度の高いベースラインにマッチし、最高2.5タイムのスピードを向上し、FLOPとKVキャッシュを50%近く削減した。
論文 参考訳（メタデータ） (2026-03-17T08:41:50Z) - FMS$^2$: Unified Flow Matching for Segmentation and Synthesis of Thin Structures [1.3111058225843968]
2つのモジュールを持つフローマッチングフレームワークであるFMS$2$を提案する。
SegFlowは標準的なエンコーダ/デコーダのバックボーン上に構築された2.96Mパラメータセグメンテーションモデルである。
SynFlowはマスク付きマスク$rightarrow$イメージジェネレータで、ピクセル対応の合成イメージマスクペアを生成する。
論文 参考訳（メタデータ） (2026-03-14T00:04:25Z) - A Boundary-Metric Evaluation Protocol for Whiteboard Stroke Segmentation Under Extreme Imbalance [0.0]
境界対応メトリクスと細いサブセットの株式分析は、損失関数のランク付けと隠されたトレードオフの公開方法を変える。
DeepLabV3-MobileNetV3モデルでは5つの損失がそれぞれ3回トレーニングされ、12のホールドアウトイメージで評価される。
オーバーラップベースの損失は、クロスエントロピーでF1を20ポイント以上改善する。
論文 参考訳（メタデータ） (2026-02-26T05:16:18Z) - Reevaluating Convolutional Neural Networks for Spectral Analysis: A Focus on Raman Spectroscopy [1.1545092788508224]
我々は1次元畳み込みニューラルネットワーク(CNN)を評価し,4つの進歩を報告した。
コンパクトCNNは、手作りの機能で$k$-nearest-neborsを上回っている。
ラベル効率の学習: 半教師付き生成的敵ネットワークと対照的な事前学習により、最大で11%の精度が向上し、わずか10%のラベルしか取得できない。
このワークフローには、生のスペクトルのトレーニング、プールのチューニング、ラベルの不足時に半スーパービジョンの追加、新しいターゲットに対する微調整が含まれる。
論文 参考訳（メタデータ） (2025-09-30T09:01:38Z) - SplashNet: Split-and-Share Encoders for Accurate and Efficient Typing with Surface Electromyography [3.3640830721676003]
手首にある表面筋電図(sEMG)は、キーボードのない自然なテキスト入力を可能にする。
最先端の Emg2qwerty ベースラインは、まだ見知らぬユーザーのゼロショット設定で511.8%の文字を認識していない。
これらの誤りの多くを、ユーザ間信号統計のミスマッチに追従する。
論文 参考訳（メタデータ） (2025-06-14T05:38:29Z) - A Comprehensive Framework for Automated Segmentation of Perivascular Spaces in Brain MRI with the nnU-Net [37.179674347248266]
神経変性疾患では、PVS(perivascular space)の増大が一般的である。
現在不足している信頼性の高いPVS検出方法が必要である。
論文 参考訳（メタデータ） (2024-11-29T09:19:57Z) - Learned Local Attention Maps for Synthesising Vessel Segmentations [43.314353195417326]
我々は、T2 MRIのみから、Willis(CoW)円の主大脳動脈の分節を合成するためのエンコーダ・デコーダモデルを提案する。
これは、セグメンテーションラベルを拡張することによって生成された学習されたローカルアテンションマップを使用し、ネットワークはCoWの合成に関連するT2 MRIからのみ情報を抽出する。
論文 参考訳（メタデータ） (2023-08-24T15:32:27Z)
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。