論文の概要: Learning Subject-Specific Anatomical Representations via Manifold Expansion: Application to Accelerated Multi-Contrast MRI

• arxiv url: http://arxiv.org/abs/2610.04028v1
• Date: Fri, 02 Oct 2026 20:31:02 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:40:16.032549
• Title: Learning Subject-Specific Anatomical Representations via Manifold Expansion: Application to Accelerated Multi-Contrast MRI
• Title（参考訳）: マニフォールド展開による主観的解剖学的表現の学習 : 加速度型マルチコントラストMRIへの応用
• Abstract要約: 完全な参照コントラストから解剖学的表現を学習するフレームワークMAXを提案する。 MAXは全てのタスクにおいて最も平均的なPSNRとSSIMを達成し、両方の脳のコントラストにおいて最強のベースラインよりも1dB以上PSNRを改善する。
• 参考スコア（独自算出の注目度）: 3.8650990190379595
• License:
• Abstract: Clinical MRI routinely acquires multiple contrast-weighted images of the same anatomy for complementary tissue characterization. However, current accelerated MRI methods typically reconstruct each contrast independently, without fully exploiting shared anatomical information. This work aims to learn anatomical representations invariant to contrast-dependent appearance for reconstruction of accelerated multi-contrast MRI. We propose MAX (MAnifold eXpansion), a subject-specific framework that learns anatomical representations from a single fully sampled reference contrast. To address the under-constrained separation of shared anatomy and contrast-dependent components from a single image, MAX expands the multi-contrast manifold using anatomy-preserving intensity augmentations. A disentangled implicit neural representation models augmented samples using shared spatial coordinates for anatomy and spatially invariant coordinates for contrast appearance. The learned anatomical representation is then fixed, with the contrast representation adapted to the undersampled target data, followed by unrolled refinement. Theoretical analyses further provide insight into the disentangled representation learning and explain how the learned anatomical representation improves the target contrast reconstruction. At R = 8 for brain MRI and R = 6 for knee MRI, MAX achieves the highest mean PSNR and SSIM across all tasks, improving PSNR by more than 1 dB over the strongest baseline for both brain contrasts. MAX more faithfully recovers subtle anatomical and pathological structures and remains robust to inter-contrast motion, structural heterogeneity between reference and target contrasts, and measurement noise. Therefore, MAX provides a general strategy for leveraging high-quality reference scans in accelerated MRI and has the potential to be extended to other reference-assisted MRI inverse problems.
• Abstract（参考訳）: 臨床MRIでは, 相補的な組織像を特徴付けるために, 同じ解剖像の複数のコントラスト強調像を日常的に取得する。 しかし、現在の加速MRI法は通常、共有解剖学的情報を完全に活用することなく、コントラストを独立に再構成する。 本研究の目的は, 高速マルチコントラストMRIの再構成のために, コントラストに依存した外観に不変な解剖学的表現を学習することである。 そこで本研究では,単一の全サンプル参照コントラストから解剖学的表現を学習する,主題固有のフレームワークであるMAX(Manifold eXpansion)を提案する。 共有解剖学とコントラスト依存成分を1つの画像から過度に分離するために、MAXは解剖保存強度増強を用いてマルチコントラスト多様体を拡張する。 解剖学のための共有空間座標と、コントラストの外観のための空間不変座標を用いて、アンタングル型暗黙的ニューラル表現モデルによりサンプルを増強する。 学習された解剖学的表現は固定され、コントラスト表現はアンサンプされたターゲットデータに適合し、その後、アンロールされた洗練が行われる。 理論的解析により、不整合表現学習の洞察を与え、学習された解剖学的表現がターゲットのコントラスト再構成をどのように改善するかを説明する。 脳MRIではR = 8、膝MRIではR = 6で、MAXは全てのタスクでPSNRとSSIMの平均値が最も高く、両脳のコントラストでは最強の基準線よりも1dB以上PSNRを改善する。 MAXは微妙な解剖学的および病理学的構造をより忠実に回復し、コントラスト間運動、基準と目標のコントラスト間の構造的不均一性、測定ノイズに頑健である。 したがって、MAXは、加速MRIにおける高品質な基準スキャンを活用するための一般的な戦略を提供し、他の基準支援MRI逆問題に拡張される可能性がある。

関連論文リスト

• Primitive Representation Learning for Unsupervised Dynamic Contrast Enhanced MRI Reconstruction [19.71957346539569]
  動的コントラスト強調再構成のための原始的なMRIベースのフレームワークを提案する。 このアーキテクチャは,従来の再建手法と競合する性能を発揮することを示す。 モジュラー層の設計は自然に、追加の動的因子とより高い加速率に拡張される。
  論文  参考訳（メタデータ） (2026-08-18T17:48:22Z)
• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• CL-MRI: Self-Supervised Contrastive Learning to Improve the Accuracy of Undersampled MRI Reconstruction [25.078280843551322]
  コントラスト学習を用いた自己教師付き事前訓練手法を導入し,MRI画像再構成の精度を向上する。 本実験は, 各種加速度因子およびデータセットの再構成精度の向上を実証した。
  論文  参考訳（メタデータ） (2023-06-01T10:29:58Z)
• JoJoNet: Joint-contrast and Joint-sampling-and-reconstruction Network for Multi-contrast MRI [49.29851365978476]
  提案フレームワークは,各画像コントラストに対するサンプリングマスク生成器と,コントラスト間相関と繰り返し構造とを併用した再構成器とから構成される。 各画像コントラストの加速度比も学習可能であり、下流タスク性能によって駆動することができる。
  論文  参考訳（メタデータ） (2022-10-22T20:46:56Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• Seeking Common Ground While Reserving Differences: Multiple Anatomy Collaborative Framework for Undersampled MRI Reconstruction [49.16058553281751]
  本稿では,解剖学的および解剖学的特化学習者による新しいMRI再構成フレームワークを提案する。 脳、膝、心臓のMRIデータセットの実験は、これらの学習者のうち3人が複数の解剖学的共同学習を通して再建性能を向上させることができることを示した。
  論文  参考訳（メタデータ） (2022-06-15T08:19:07Z)
• Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution [55.52779466954026]
  マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。 既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。 そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2022-03-26T01:42:59Z)
• Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
  臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。 近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。 本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
  論文  参考訳（メタデータ） (2021-08-12T08:46:35Z)

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。