論文の概要: Stochastic Finite-Transition Learning and Exploration for Accelerated MRI Reconstruction
- arxiv url: http://arxiv.org/abs/2610.13095v1
- Date: Fri, 09 Oct 2026 06:50:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.438535
- Title: Stochastic Finite-Transition Learning and Exploration for Accelerated MRI Reconstruction
- Title（参考訳）: 高速MRI再建のための確率的有限遷移学習と探索
- Abstract要約: 生成MRI再構成は、学習された回復軌道に沿って、初期音源分布を対象画像分布にマッピングする。
既存の数ステップのサンプリングアプローチは、局所力学からの大きな変換を近似することで、計算負担を低減することができる。
FLEX-MRIは、回復をk空間の進行的変化によって定義される保持状態間の少数の有限区間に分割する。
マルチコイルMRIデータセットの実験では、FLEX-MRIは数ステップのベースラインに匹敵する計算効率を維持しながら競合する手法より優れていた。
- 参考スコア（独自算出の注目度）: 5.571359372302534
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative MRI reconstruction maps an initial source distribution to the target image distribution along a learned recovery trajectory. Common generative methods, such as diffusion and flow, typically learn fine-grained local dynamics whose integration defines this global mapping, hence requiring many network evaluations at inference. Existing few-step sampling approaches can lower computational burden by approximating large transformations from local dynamics, albeit at the expense of reconstruction fidelity. FLEX-MRI instead partitions recovery into a small number of finite intervals between retained states defined by progressive changes in k-space support, and directly learns the reconstruction change across each interval. Because such finite transitions can admit multiple plausible outcomes, FLEX-MRI combines support-relaxed finite-transition learning with stochastic exploration. During training, randomized k-space sampling masks define finite-transition targets with varying support, while the prediction loss remains unrestricted by each individual mask. At inference, FLEX-MRI perturbs a random subset of currently estimated k-space coefficients, allowing the learned predictor to stochastically explore alternative transition paths. Each predicted state is then reconciled with the acquired measurements through data consistency. We theoretically show that this stochastic exploration induces nonzero transition-level variation through the learned recovery map and data consistency without requiring an auxiliary generative sampler. Experiments on multi-coil MRI datasets show that FLEX-MRI outperforms competing methods while maintaining computational efficiency comparable to few-step baselines.
- Abstract（参考訳）: 生成MRI再構成は、学習された回復軌道に沿って、初期音源分布を対象画像分布にマッピングする。
拡散や流れなどの一般的な生成法は、一般的にこの大域的なマッピングを定義する微細な局所力学を学習し、推論時に多くのネットワーク評価を必要とする。
既存の数ステップのサンプリングアプローチは、再構築の忠実さを犠牲にして、局所力学からの大きな変換を近似することで、計算負担を低減できる。
FLEX-MRIは、回復をk空間の進行的変化によって定義される保持状態間で少数の有限区間に分割し、各間隔間での再構成変化を直接学習する。
このような有限遷移は複数のプラウザブルな結果をもたらすため、FLEX-MRIはサポート緩和有限遷移学習と確率探索を組み合わせる。
トレーニング中、ランダム化されたk空間サンプリングマスクは、各マスクによって予測損失が制限されずに、異なるサポートを持つ有限遷移ターゲットを定義する。
推測において、FLEX-MRIは、現在推定されているk空間係数のランダムな部分集合を摂動させ、学習した予測器がオルタナティブな遷移経路を確率的に探索することを可能にする。
予測された各状態は、データ一貫性によって取得した測定値と照合される。
理論的には, この確率的探索は, 補助的な生成サンプルを必要とせずに, 学習された回復マップとデータの一貫性を通して, 非ゼロ遷移レベルの変動を引き起こすことを示唆している。
マルチコイルMRIデータセットの実験では、FLEX-MRIは数ステップのベースラインに匹敵する計算効率を維持しながら競合する手法より優れていた。
関連論文リスト
- Zero-Shot Cross-Material Ptychographic Phase Reconstruction Using Deep Learning [8.392466989483722]
本研究では,実測値から全フィールド位相マップを再構成し,推論中に反復的洗練を伴わない直接局所言語学習フレームワークを提案する。
提案するネットワークは,Sine-Cosine表現を用いて,個々の回折パターンから局所的なラップフェーズパッチを予測する。
論文 参考訳（メタデータ） (2026-09-12T14:36:06Z) - RDDMPI: Residual Denoising Diffusion Model for Probabilistic Multivariate Time Series Imputation [2.589687124983865]
マルチ時間系列計算は、複数の変数からなる時間データの欠落した値を復元することを目的としている。
この問題は、医療監視、交通ネットワーク、エネルギーシステムといった現実世界のアプリケーションの中心である。
近年の拡散型アプローチは,反復的 denoising による欠落値の生成を学習することで,確率論的計算の可能性を強く示している。
論文 参考訳（メタデータ） (2026-09-10T14:53:38Z) - 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) - Posterior Augmented Flow Matching [64.1559809786948]
後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である
PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
論文 参考訳（メタデータ） (2026-05-01T17:59:59Z) - Phase-space entropy at acquisition reflects downstream learnability [54.4100065023873]
楽器分解位相空間に基づく取得レベルスカラー$S_mathcal B$を提案する。
本稿では, (S_mathcal B) が周期サンプリングの位相空間コヒーレンスを正確に同定できることを理論的に示す。
$|S_mathcal B|$は一貫してサンプリングジオメトリをランク付けし、トレーニングなしで下流での再構築/認識の困難を予測します。
論文 参考訳（メタデータ） (2025-12-22T10:03:51Z) - Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。
提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-09-21T12:02:47Z) - Progressive Divide-and-Conquer via Subsampling Decomposition for Accelerated MRI [34.004099276013946]
本稿では, サブサンプリングプロセスの分解を目的としたPDAC(Progressive Divide-And-Conquer)戦略を提案する。
提案手法は,一般に公開されている高速MRIとStanford2D FSEデータセットにおいて,優れた性能を実現する。
論文 参考訳（メタデータ） (2024-03-15T07:14:01Z) - How can spherical CNNs benefit ML-based diffusion MRI parameter
estimation? [2.4417196796959906]
球状畳み込みニューラルネットワーク(S-CNN)は、従来の完全連結ネットワーク(FCN)に対して明確な優位性を提供する
拡散強調画像(DWI)のみからなるdMRIデータを取得する現況
論文 参考訳（メタデータ） (2022-07-01T17:49:26Z) - Learned Proximal Networks for Quantitative Susceptibility Mapping [9.061630971752464]
本稿では,QSM双極子反転問題の解法として,Learned Proximal Convolutional Neural Network (LP-CNN)を提案する。
このフレームワークは、任意の位相入力測定を自然に処理できる最初のディープラーニングQSMアプローチであると考えられている。
論文 参考訳（メタデータ） (2020-08-11T22:35:24Z) - Modal Regression based Structured Low-rank Matrix Recovery for
Multi-view Learning [70.57193072829288]
近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。
既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。
本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
論文 参考訳（メタデータ） (2020-03-22T03:57:38Z)
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。