論文の概要: Generalizable field of view extension for diffusion MRI via conditional flow matching

• arxiv url: http://arxiv.org/abs/2610.17401v1
• Date: Mon, 12 Oct 2026 21:10:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.454899
• Title: Generalizable field of view extension for diffusion MRI via conditional flow matching
• Title（参考訳）: 条件付き流れマッチングによる拡散MRIのための一般化可能な視野拡張
• Abstract要約: フィールド・オブ・ビュー(FOV)拡散MRI(dMRI)は、トラクトログラフィーと接続研究から脳領域を除外することで、脳全体のホワイトマター分析を妥協する。 本研究では,6方向の見かけ拡散係数(ADC)を予測することにより,DMRI FOVを上位方向と下位方向の両方で拡張するフローマッチング生成モデルを提案する。 このモデルは、多様な取得スキームにまたがる5つのデータセットにわたる3,103人の被験者でトレーニングされた。
• 参考スコア（独自算出の注目度）: 2.7771955556527925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Incomplete field-of-view (FOV) diffusion MRI (dMRI) acquisitions compromise whole-brain white matter analysis by excluding brain regions from tractography and connectivity studies. While deep generative models for dMRI FOV extension have been proposed, their generalizability remains limited by the acquisition-dependent nature of dMRI, where signal intensity varies with b-value, gradient direction, and scanner protocol, and the inherent 4D complexity of the data, making it difficult to train models that transfer across sites or acquisition schemes without retraining. We propose a flow-matching generative model that extends the dMRI FOV in both the superior and inferior directions by predicting apparent diffusion coefficients (ADC) in six directions, conditioned on the two nearest acquired slices and the full-FOV T1w image to enforce both local diffusion continuity and anatomical consistency. The ADC representation decouples the model from acquisition-specific b-values and gradient directions, providing a middle-ground across protocols. The model was trained on 3,103 subjects (5,105 sessions) across five different datasets spanning diverse acquisition schemes (b = 500 and 1000 s/mm$^2$; 21--192 gradient directions), four single-shell (b = 1000) and one multi-shell (b = 500/1000). Evaluated on 299 subjects across five independent datasets spanning b = 750--1500 s/mm$^2$ and 32--90 gradient directions, with single- and multi-shell schemes unseen during training, the proposed method achieves significantly improved bundle Dice score on downstream tractography (p < 0.01).
• Abstract（参考訳）: 不完全視野(FOV)拡散MRI(dMRI)は、トラクトログラフィーと接続研究から脳領域を除外することで、脳全体のホワイトマター分析を損なう。 dMRI FOV拡張のための深層生成モデルが提案されているが、信号強度がb値、勾配方向、スキャナープロトコルによって変化するdMRIの取得依存の性質と、データ固有の4D複雑さにより、その一般化性は依然として制限されており、再訓練なしにサイトや取得スキーム間で転送するモデルを訓練することは困難である。 局所拡散連続性と解剖学的整合性を両立させるため,最も近い2つのスライスとフルFOV T1w画像に条件付きで6方向の明らか拡散係数(ADC)を予測することにより,dMRI FOVを上向きと下向きの両方に拡張するフローマッチング生成モデルを提案する。 ADC表現は、取得固有のb値と勾配方向からモデルを分離し、プロトコルをまたいだ中間層を提供する。 モデルは、多様な取得スキーム(b = 500と1000 s/mm$^2$; 21--192の勾配方向)、4つのシングルシェル(b = 1000)、1つのマルチシェル(b = 500/1000)にまたがる5つのデータセットにわたる3,103の被験者(5,105セッション)でトレーニングされた。 b = 750-1500 s/mm$^2$ および 32-90 の勾配方向にまたがる5つの独立したデータセットを対象とし,訓練中に見つからない単一およびマルチシェルスキームを用いて299 人の被験者に評価を行い,提案手法は下流トラクトグラフィーにおける Dice スコアを有意に改善する(p < 0.01)。

関連論文リスト

• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• Self-Supervised Adversarial Diffusion Models for Fast MRI Reconstruction [1.167578793004766]
  本稿では,自己教師付き深層学習圧縮拡散センシングMRI(DL)法を提案する。 対象はT1データセット(T1-w)50例であった。 ReconFormer TransformerとSS-MRIを比較し、正規化平均誤差(NMSE)、ピーク信号-雑音比(PSNR)、類似度指数(SSIM)を用いて性能を評価する。
  論文  参考訳（メタデータ） (2024-06-21T21:22:17Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• Robust Fiber Orientation Distribution Function Estimation Using Deep Constrained Spherical Deconvolution for Diffusion MRI [9.570365838548073]
  測定したDW-MRI信号をモデル化するための一般的なプラクティスは、繊維配向分布関数(fODF)である。 DW-MRIの取得において、測定変数(サイト内およびサイト内変動、ハードウェア性能、シーケンス設計など)は避けられない。 既存のモデルベース手法(例えば、制約付き球面デコンボリューション(CSD))や学習ベース手法(例えば、ディープラーニング(DL))は、fODFモデリングにおいてそのような変動を明示的に考慮していない。 本稿では,データ駆動型深部制約付き球面デコンボリューション法を提案する。
  論文  参考訳（メタデータ） (2023-06-05T14:06:40Z)
• Diffusion Earth Mover's Distance and Distribution Embeddings [61.49248071384122]
  拡散は$tildeo(n)$ timeで計算でき、ツリーベースのような同様の高速アルゴリズムよりも正確である。 拡散は完全微分可能であり、深層ニューラルネットワークのような勾配拡散フレームワークの将来の使用に適している。
  論文  参考訳（メタデータ） (2021-02-25T13:18:32Z)
• Enhancing Fiber Orientation Distributions using convolutional Neural Networks [0.0]
  商業的に取得したMRIにおけるFODの改善について学ぶ。 パッチベースの3次元畳み込みニューラルネットワーク(CNN)の評価 本手法により,シングルシェルdMRI取得プロトコル上でのCDDモデル推定が可能となる。
  論文  参考訳（メタデータ） (2020-08-12T16:06:25Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)
• Deep Learning Estimation of Multi-Tissue Constrained Spherical Deconvolution with Limited Single Shell DW-MRI [2.903217519429591]
  深層学習は、第8次制約付き球面デコンボリューション(CSD)によって得られた情報内容を推定するために用いられる。 2つのネットワークアーキテクチャについて検討する: 中央に残留ブロックを持つ完全連結層からなる逐次ネットワーク(ResDNN)と、残ブロックを持つパッチベースの畳み込みニューラルネットワーク(ResCNN)。 繊維配向分布関数 (fODF) はマルチシェルDW-MRIの取得から得られたMT-CSTの基底的真実と比較して高い相関で復元できる。
  論文  参考訳（メタデータ） (2020-02-20T15:59:03Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。