論文の概要: Beyond Training from Scratch: Foundation Models for Data-Efficient and Generalizable Cardiac MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2610.08109v1
• Date: Tue, 06 Oct 2026 10:32:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.937488
• Title: Beyond Training from Scratch: Foundation Models for Data-Efficient and Generalizable Cardiac MRI Reconstruction
• Title（参考訳）: Scratchからのトレーニングを超えて:データ効率と一般化可能な心臓MRI再建のための基礎モデル
• Abstract要約: 本研究では,前訓練した視覚基盤モデルが,心臓MRIの早期再建に有効であるかどうかを考察する。 凍結およびパラメータ適応型ビジュアルエンコーダを統合した再構成フレームワークを提案する。 CMRxRecon2023とCMRxRecon2024ベンチマークの実験は、事前訓練された表現がスクラッチからトレーニングされたトランスフォーマーを一貫して上回っていることを示した。
• 参考スコア（独自算出の注目度）: 9.952061326734741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cardiac magnetic resonance imaging reconstruction aims to recover high-quality images from undersampled acquisitions, enabling faster scans while preserving diagnostic fidelity. Recent reconstruction methods are typically trained from scratch and often require large amounts of task-specific data, limiting their robustness under data scarcity and distribution shifts. In this work, we investigate whether pretrained vision foundation models can serve as effective priors for accelerated cardiac MRI reconstruction. We propose a reconstruction framework that integrates frozen and parameter-efficiently adapted visual encoders, including CLIP, BiomedCLIP, and DINOv2, within a transformer-based reconstruction architecture. Extensive experiments on the CMRxRecon2023 and CMRxRecon2024 benchmarks demonstrate that pretrained representations consistently outperform a transformer trained from scratch across multiple acceleration factors. We further evaluate performance under limited supervision and cross-dataset transfer, showing that foundation models provide superior data efficiency and generalization. While frozen representations are particularly effective in extreme low-data regimes, Low-Rank Adaptation (LoRA) yields additional gains when moderate amounts of training data are available. Among the evaluated backbones, DINOv2 achieves the strongest overall performance. These findings highlight the potential of vision foundation models as robust and transferable priors for cardiac MRI reconstruction.
• Abstract（参考訳）: 心臓磁気共鳴画像再構成は、アンダーサンプル取得による高品質な画像の復元を目的としており、診断精度を維持しながらより高速なスキャンを可能にする。 最近の再建法は、通常、スクラッチから訓練され、多くの場合、大量のタスク固有のデータを必要とし、データの不足と分散シフトによるロバスト性を制限する。 本研究では,事前学習した視覚基盤モデルが,心臓MRIの早期再建に有効であるかどうかを考察する。 本稿では,CLIP,BiomedCLIP,DINOv2を含む,凍結およびパラメータ適応型ビジュアルエンコーダをトランスフォーマベースの再構成アーキテクチャに統合する再構成フレームワークを提案する。 CMRxRecon2023とCMRxRecon2024ベンチマークの大規模な実験により、事前訓練された表現は、複数の加速因子をまたいだスクラッチからトレーニングされたトランスフォーマーを一貫して上回っていることが示された。 さらに,データ効率と一般化の点で基礎モデルが優れていることを示すため,限られた監督とデータセット間転送による性能評価を行った。 凍結表現は、極端に低データ体制において特に有効であるが、LoRA(Lo-Rank Adaptation)は、適度な量のトレーニングデータが利用可能であれば、さらなる利得が得られる。 評価されたバックボーンのうち、DINOv2は全体的なパフォーマンスが最も高い。 以上の結果から, 心的MRI再建における視覚基盤モデルの有用性が示唆された。

関連論文リスト

• Enhancing Implicit Neural Representations with Image Feature Embedding for Unsupervised Cardiac Cine MRI Reconstruction [2.92524552093165]
  アンダーサンプリングされたk空間データは、心血管MRI再建にしばしば使用される。 教師なしのメソッドは、完全にサンプリングされた参照データを必要としない。 本研究では,画像領域のデュアルブランチINRフレームワークであるI-FP-INRを提案する。
  論文  参考訳（メタデータ） (2026-07-05T01:02:42Z)
• Are Natural-Domain Foundation Models Effective for Accelerated Cardiac MRI Reconstruction? [9.952061326734741]
  本研究では, 自然領域基礎モデルが, 心臓MRIの早期再建に有効であるかどうかを考察する。 本稿では,E2E-VarNetのようなタスク固有状態復元モデルが,標準的な分散環境において優れた性能を発揮する一方で,基礎モデルに基づくアプローチは競争力を維持していることを示す。
  論文  参考訳（メタデータ） (2026-04-24T13:52:25Z)
• VFM-Recon: Unlocking Cross-Domain Scene-Level Neural Reconstruction with Scale-Aligned Foundation Priors [49.39553550491549]
  VFMReconは, シーンレベルの神経再構成において, スケール一貫性の要求を満たすトランスファー可能なVFMプリエントをブリッジする最初の試みである。 具体的には、まず、マルチビュースケールコヒーレンスを復元する軽量なスケールアライメントステージを導入する。 次に、トレーニング済みのVFM機能を、軽量なタスク固有アダプタを介して、ニューラルボリューム再構築パイプラインに統合する。
  論文  参考訳（メタデータ） (2026-03-13T05:00:44Z)
• Self-supervised Deep Unrolled Model with Implicit Neural Representation Regularization for Accelerating MRI Reconstruction [19.419634295527974]
  MRI再構成の高速化は、アンダーサンプリングされたk空間測定から高忠実度MR画像の再構成によってこの問題に対処する。 本稿では、外部トレーニングデータなしでスキャン固有のMRI再構成を可能にする、UnrollINRという新しいゼロショット自己教師型再構成手法を提案する。
  論文  参考訳（メタデータ） (2025-10-08T03:40:40Z)
• ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
  本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。 メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-01-08T05:15:43Z)
• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• Self-Consistent Nested Diffusion Bridge for Accelerated MRI Reconstruction [22.589087990596887]
  画像画像を用いたMRI画像再構成の課題に焦点をあてる。 拡散モデルの最近の進歩、特に拡散確率モデルのデノベーションは、画像先行をモデル化する上で強力な能力を示している。 我々は,MRI再構成の高速化をモデルとした自己持続性ネスト拡散橋(SC-NDB)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-13T09:35:34Z)
• Dual-Domain Self-Supervised Learning for Accelerated Non-Cartesian MRI Reconstruction [14.754843942604472]
  非カルテシアンMRIの再生を高速化するための完全自己教師型アプローチを提案する。 トレーニングでは、アンダーサンプリングされたデータは、非結合のk空間ドメイン分割に分割される。 画像レベルの自己スーパービジョンでは、元のアンサンプデータから得られる外観整合性を強制する。
  論文  参考訳（メタデータ） (2023-02-18T06:11:49Z)
• Towards performant and reliable undersampled MR reconstruction via diffusion model sampling [67.73698021297022]
  DiffuseReconは拡散モデルに基づく新しいMR再構成法である。 観測された信号に基づいて生成過程を導出する。 特定の加速因子に関する追加の訓練は必要としない。
  論文  参考訳（メタデータ） (2022-03-08T02:25:38Z)
• Reference-based Magnetic Resonance Image Reconstruction Using Texture Transforme [86.6394254676369]
  高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。 変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。 提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
  論文  参考訳（メタデータ） (2021-11-18T03:06:25Z)

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。