論文の概要: Hankel Subspace Self-Supervised Learning for Parallel MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2610.11560v1
• Date: Thu, 08 Oct 2026 09:22:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.922199
• Title: Hankel Subspace Self-Supervised Learning for Parallel MRI Reconstruction
• Title（参考訳）: 並列MRI再構成のためのHankel Subspace Self-Supervised Learning
• Abstract要約: 並列磁気共鳴イメージングのための走査特異的再構成フレームワークを提案する。 HSSReconは、ハンケルが持ち上げる前に物理的取得ユニットによってデータを分割し、重複するウィンドウで繰り返しハンケルコピーに多重性正規化を適用する。 HSSReconは、6つの集約条件における競合ピーク信号対雑音比、構造的類似性、正規化平均二乗誤差を達成する。
• 参考スコア（独自算出の注目度）: 5.041979952992342
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Parallel magnetic resonance imaging reconstruction is an ill-posed inverse problem under undersampling. Multi-coil acquisition and Hankel lifting expose complementary repeated information: observations of the same anatomy across coils and repeated local k-space neighborhoods in overlapping windows. These dependencies guide recovery of missing k-space data. However, splitting lifted Hankel entries for self-supervision can place the original sample in both input and target, causing data leakage. We propose Hankel Subspace Self-Supervised Reconstruction (HSSRecon), a scan-specific reconstruction framework for parallel magnetic resonance imaging. HSSRecon partitions data by physical acquisition units before Hankel lifting and applies multiplicity normalization to repeated Hankel copies in overlapping windows. Rather than learning a mapping that directly predicts missing data, the network learns a compact complex-valued Hankel subspace operator. Reconstruction is performed over the original k-space variables using a conjugategradient solver with hard data consistency. This design separates structural learning in the Hankel domain from data consistency in the physical domain: the former exploits multi-coil and local Hankel correlations, while the latter solves over unacquired degrees of freedom. We provide theoretical analyses of physicalgroup splitting and multiplicity normalization, and establish positive definiteness, uniqueness, hard data consistency, and a finite-step conjugate-gradient error bound for the system. On fastMRI brain data with three contrasts and three sampling masks, HSSRecon achieves competitive peak signal-to-noise ratio, structural similarity, and normalized mean squared error across six aggregated conditions.
• Abstract（参考訳）: 平行磁気共鳴画像再構成はアンダーサンプリング中の逆問題である。 マルチコイル取得とハンケルリフトは、コイルを横切る同じ解剖学と、重なり合う窓における局所的なk空間近傍の観測という、相補的な繰り返し情報を公開する。 これらの依存関係は、欠落したk空間データの回復を導く。 しかし、自己スーパービジョンのためのハンケル昇華されたエントリは、元のサンプルを入力とターゲットの両方に配置することができ、データ漏洩を引き起こす。 並列磁気共鳴イメージングのための走査特異的再構成フレームワークであるHankel Subspace Self-Supervised Reconstruction (HSSRecon)を提案する。 HSSReconは、ハンケルが持ち上げる前に物理的取得ユニットによってデータを分割し、重複するウィンドウで繰り返しハンケルコピーに多重性正規化を適用する。 欠落したデータを直接予測するマッピングを学ぶ代わりに、ネットワークはコンパクトな複素数値ハンケル部分空間演算子を学習する。 ハードデータの整合性を持つ共役次数分解器を用いて、元のk空間変数上で再構成を行う。 この設計は、ハンケル領域における構造学習と物理領域におけるデータの一貫性を区別する: 前者はマルチコイルと局所ハンケル相関を利用し、後者は未取得の自由度を克服する。 物理群分割と多重度正規化の理論解析を行い、正の定性、一意性、ハードデータ整合性、および系の有限ステップ共役勾配誤差を確立する。 3つのコントラストと3つのサンプリングマスクを持つ高速MRI脳データにおいて、HSSReconは6つの集約条件における競合ピーク信号対雑音比、構造的類似性、正規化平均二乗誤差を達成する。

関連論文リスト

• K-space Gaussian Representation for Parallel MRI [17.6035099220156]
  K-空間ガウス表現(KGR)は、ネイティブなk-空間領域で直接形式化された最初の明示的連続表現である。 KGRは、Gabor-Gaussianプリミティブを共有空間幾何学でパラメータ化し、コイル間の相関を自然に保存するコンパクトな表現を生成する。 これらの結果は、ネイティブk空間の明示的な連続パラメータ化が、構造的低ランク再構成と連続信号モデリングを統合するための原則的枠組みを提供することを示唆している。
  論文  参考訳（メタデータ） (2026-07-29T13:12:59Z)
• Sequential Spatiotemporal Magnetic-Field Reconstruction via Quantum Hamiltonian Learning with NV-Center Spin-1 Hamiltonians [0.0]
  動的2次元磁場マップのための量子ハミルトニアン学習に基づく逐次再構成フレームワークを提案する。 局所的な測定は、局所磁場値と共有双極子結合パラメータによって支配される窒素空隙スピンダイナミクスによって生成される。 その結果、試験対象のフィールドクラスの実現可能性を示し、結合推定を主な識別可能性ボトルネックとして同定した。
  論文  参考訳（メタデータ） (2026-05-22T10:13:04Z)
• 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)
• HIR-ALIGN: Enhancing Hyperspectral Image Restoration via Diffusion-Based Data Generation [50.46910397782266]
  ハイパスペクトル画像(HSI)の復元は、ノイズ、ぼかし、分解能損失などの劣化に悩まされるため、信頼性の高い解析に不可欠である。 本稿では,HIR-ALIGNを提案する。HIR-ALIGNは,限られたトレーニング画像と,ターゲット分布と密に一致した合成データとを付加して,ハイパースペクトル画像の復元を促進するための,プラグアンドプレイのターゲット適応型拡張フレームワークである。
  論文  参考訳（メタデータ） (2026-05-13T14:14:13Z)
• Rare-Aware Autoencoding: Reconstructing Spatially Imbalanced Data [49.13338489780734]
  オートエンコーダは、空間的に一様でない画像内容のサンプリングによって挑戦できる。 実際には、オートエンコーダは支配的なパターンに偏り、細かな細部が失われる。 空間的不均衡を2つの相補的成分: (i) 統計的に珍しい空間的位置の重み付けを行う自己エントロピーに基づく損失によって解決する。
  論文  参考訳（メタデータ） (2026-04-02T13:38:29Z)
• UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
  グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。 まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。 次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
  論文  参考訳（メタデータ） (2024-02-12T19:39:26Z)
• One-shot Generative Prior Learned from Hankel-k-space for Parallel Imaging Reconstruction [23.760551972866672]
  深部生成モデルは 磁気共鳴イメージングの 積極的な加速と より良い再構成を提供する そこで本研究では,1k-spaceデータのトレーニングセットからサンプルを生成するハンケル-k-space Generative Model (HKGM)を提案する。
  論文  参考訳（メタデータ） (2022-08-15T13:36:44Z)
• 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)
• Regularization-Agnostic Compressed Sensing MRI Reconstruction with Hypernetworks [21.349071909858218]
  正規化重みの関数として分離された再構成ネットワークのパラメータを生成するためにハイパーネットワークを利用する新しい戦略を提案する。 実験時, アンダーサンプル画像の場合, 我々のモデルは, 異なる量の正規化で高速に再構成を計算できる。 特に全体的な品質が類似した状況において,これらの復元の変動性を分析する。
  論文  参考訳（メタデータ） (2021-01-06T18:55:37Z)

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。