論文の概要: A hybrid CNN-adjoint optimization framework for reconstruction of viscoelastic tissue properties in magnetic resonance elastography

• arxiv url: http://arxiv.org/abs/2610.02634v1
• Date: Fri, 02 Oct 2026 00:47:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.138383
• Title: A hybrid CNN-adjoint optimization framework for reconstruction of viscoelastic tissue properties in magnetic resonance elastography
• Title（参考訳）: 磁気共鳴エラストグラフィーにおける粘弾性組織特性の再構築のためのハイブリッドCNN結合最適化フレームワーク
• Abstract要約: 磁気共鳴エラストグラフィー (MRE) は, 軟部組織の粘弾性特性をせん断波伝播から定量化するための非侵襲的画像モダリティである。 本稿では,共役型最適化,畳み込みニューラルネットワーク(CNN)再構成,および両アプローチを組み合わせたハイブリッドフレームワークについて検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic resonance elastography (MRE) is a noninvasive imaging modality for quantifying the viscoelastic properties of soft tissues from shear wave propagation. Recovering the complex-valued shear modulus from measured displacement fields leads to a severely ill-posed inverse problem, particularly in the presence of noise and limited boundary excitations. We investigate adjoint-based optimization, convolutional neural network (CNN) reconstruction, and a hybrid framework combining both approaches. The forward model is based on a scalar form of the modified stationary Stokes system with a complex shear modulus. We establish well-posedness of the forward problem, existence of minimizers, and first-order optimality conditions for the adjoint-based formulation, and implement a nonlinear conjugate-gradient method with Armijo line search. While PDE-constrained optimization can accurately refine coefficient reconstructions, its performance depends strongly on initialization. We therefore construct a two-dimensional CNN that maps complex-valued displacement measurements to spatially varying complex shear modulus fields and provides rapid, informative initial reconstructions. The proposed hybrid method uses the CNN reconstruction to initialize the adjoint-based optimization, yielding faster convergence and improved accuracy. The CNN is trained on coefficient fields containing individual perturbations and tested on both individual and previously unseen combined configurations. Numerical experiments demonstrate that the CNN generalizes to these more challenging configurations, while subsequent PDE-constrained optimization further refines the reconstructed coefficient. These results demonstrate the potential of combining data-driven initialization with physics-based optimization for efficient and accurate MRE reconstruction.
• Abstract（参考訳）: 磁気共鳴エラストグラフィー (MRE) は, 軟部組織の粘弾性特性をせん断波伝播から定量化するための非侵襲的画像モダリティである。 測定された変位場から複素値のせん断係数を復元すると、特にノイズや限られた境界励起の存在下で、深刻な逆問題が発生する。 本稿では,共役型最適化,畳み込みニューラルネットワーク(CNN)再構成,および両アプローチを組み合わせたハイブリッドフレームワークについて検討する。 フォワードモデルは、複雑なせん断率を持つ修正定常ストークス系のスカラー形式に基づいている。 我々は,前処理問題,最小化器の存在,および随伴形定式化のための一階最適条件の整合性を確立し,Armijo線探索を用いた非線形共役勾配法を実装した。 PDE制約の最適化は係数再構成を正確に洗練するが、その性能は初期化に強く依存する。 そこで我々は,複素数値変位測定を空間的に変化する複素せん断係数場にマッピングし,迅速かつ情報的な初期再構成を行う2次元CNNを構築した。 提案手法はCNN再構成を用いてアジョイントに基づく最適化を初期化し,より高速な収束と精度の向上を実現する。 CNNは、個々の摂動を含む係数場を訓練し、個々の構成と以前は見られなかった構成の両方でテストされる。 数値実験により、CNNはこれらのより困難な構成に一般化し、その後のPDE制約による最適化は再構成された係数をさらに洗練することを示した。 これらの結果は、データ駆動初期化と物理に基づく最適化を組み合わせることで、効率よく正確なMRE再構成を行う可能性を示している。

関連論文リスト

• Initial condition recovery in nonlinear damped viscous photoacoustic tomography using a convolutional neural network-guided gradient-free optimization framework [0.0]
  光音響トモグラフィ(英: Photoacoustic tomography, PAT)は、バイオメディカルイメージングのための高光学コントラストと高分解能の高分解能を組み合わせたハイブリッドイメージングモダリティである。 我々は、畳み込みニューラルネットワーク(CNN)とポントリャーギンの最大原理に基づく勾配なし最適化戦略を組み合わせたハイブリッド再構築フレームワークを開発する。
  論文  参考訳（メタデータ） (2026-10-01T03:58:47Z)
• Learning-Based Reconstruction of Optical Properties in Bilayered Media from Single-distance Time-Resolved Reflectance Measurements [1.629288881045104]
  拡散方程式に基づく逆解法は、しばしば構造的不均一性と競合する。 本稿では,2層媒体の光学特性を再構築するための代替手法として,機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-17T06:52:51Z)
• Physics-Informed Stochastic Configuration Machine: A Backpropagation-Free Neural Network with Fast Training for Nonlinear Differential Equations [7.927063711454594]
  物理ネットワーク (SCN) は複素微分方程式を解くための変換パラダイムとして登場した。 私たちの仕事は、次世代のリアルタイムScientific Machineアプリケーションに、非常に効率的でスケーラブルな基盤を提供します。
  論文  参考訳（メタデータ） (2026-08-27T02:40:11Z)
• Variational Low-rank Tensor Decomposition for Multisubject Spatiotemporal Data Analysis [2.3799118675414226]
  本稿では、テンソル因子化生成モデルと構造化前処理を組み合わせた空間変動テンソル分解(ST-VTD)フレームワークを提案する。 提案手法は,古典的および確率的分解ベンチマークと比較して遅延係数の回復率を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-07-24T12:55:09Z)
• Attention mechanism for scalable mesh-based neural surrogates of free-surface fluids [0.0]
  粒子有限要素法(PFEM)のようなラグランジアン法による自由表面流れの高忠実度シミュレーションを計算的に要求する。 この問題は非ニュートンのレオロジーによってさらに増幅され、材料非線形性は計算コストを増大させる。 自由表面流れのPFEMシミュレーションのための自己アテンションに基づくニューラルサロゲートを提案する。
  論文  参考訳（メタデータ） (2026-06-22T12:33:55Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Flow-Matching Guided Deep Unfolding for Hyperspectral Image Reconstruction [53.26903617819014]
  Flow-Matching-Guided Unfolding Network (FMU)は、最初にフローマッチングをHSI再構成に統合する。 学習力学をさらに強化するために,平均速度損失を導入する。 シミュレーションと実データの両方の実験により、FMUは復元品質において既存のアプローチよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-02T11:32:00Z)
• Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
  条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。 CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
  論文  参考訳（メタデータ） (2025-09-29T19:50:19Z)
• Stable Nonconvex-Nonconcave Training via Linear Interpolation [51.668052890249726]
  本稿では,ニューラルネットワークトレーニングを安定化(大規模)するための原理的手法として,線形アヘッドの理論解析を提案する。 最適化過程の不安定性は、しばしば損失ランドスケープの非単調性によって引き起こされるものであり、非拡張作用素の理論を活用することによって線型性がいかに役立つかを示す。
  論文  参考訳（メタデータ） (2023-10-20T12:45:12Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)

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。