論文の概要: dMRI-F: A Foundation Model for Generalizable Diffusion MRI Analysis from Sparse Acquisitions

• arxiv url: http://arxiv.org/abs/2610.17968v1
• Date: Tue, 13 Oct 2026 08:43:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 08:00:13.642448
• Title: dMRI-F: A Foundation Model for Generalizable Diffusion MRI Analysis from Sparse Acquisitions
• Title（参考訳）: dMRI-F:スパース取得による一般化可能な拡散MRI解析の基礎モデル
• Abstract要約: 拡散MRI(Diffusion MRI)は、脳内の水拡散をプローブし、組織微細構造と白色物質との接続に関するユニークな情報を提供する。 高品質のdMRIは、高度な正確な分析を可能にするが、密集した取得を必要とするため、長いスキャン時間とハードウェアの制約がしばしば実現不可能となる。 本稿では,dMRIデータエンハンスメントと下流タスクを多種多様な取得や集団にわたって統合する基盤モデルであるdMRI-Fを提案する。
• 参考スコア（独自算出の注目度）: 36.14058318636162
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion MRI (dMRI) probes water diffusion within the brain, providing unique information about tissue microstructure and white matter connectivity. High-quality dMRI enables advanced and accurate analyses but demands dense acquisitions, resulting in long scan times and hardware constraints that are often infeasible. Further, dMRI requires dedicated computational methods to support diverse analysis tasks (e.g., parcellation, registration, and synthesis) for both neuroscientific and clinical applications. Here, we present dMRI-F, a foundation model that unifies dMRI data enhancement and downstream tasks across diverse acquisitions and populations, while requiring only minimal acquisition input. dMRI-F is pre-trained with a q-space masked reconstruction task: predicting densely sampled multi-shell data from only six volumes. It learns generalizable latent feature representations of dMRI data, which serve as a core foundation for adapting to diverse downstream tasks, including brain parcellation, brain registration, and cross-modal synthesis. Across nine independently acquired datasets, we demonstrate that dMRI-F outperforms state-of-the-art methods with robust generalization across acquisitions, populations, and tasks. Our results demonstrate dMRI-F's versatility as a general-purpose framework that enables diverse dMRI applications from low-cost, sparse acquisitions.
• Abstract（参考訳）: 拡散MRI(Diffusion MRI)は、脳内の水拡散をプローブし、組織微細構造と白色物質との接続に関するユニークな情報を提供する。 高品質のdMRIは、高度な正確な分析を可能にするが、密集した取得を必要とするため、長いスキャン時間とハードウェアの制約がしばしば実現不可能となる。 さらに、dMRIは、神経科学および臨床応用の両方に様々な解析タスク(例えば、パーセル化、登録、合成)をサポートするために、専用の計算方法を必要とする。 本稿では,dMRIデータ拡張と下流タスクを多種多様な取得や集団にわたって統合する基盤モデルであるdMRI-Fについて述べる。 dMRI-Fは、Q空間マスクの復元タスクで事前訓練され、わずか6巻から密集した多殻データの予測を行う。 それは、脳のパーセレーション、脳の登録、モーダル間合成など、さまざまな下流タスクに適応するためのコアとなる基礎となる、dMRIデータの一般化可能な潜在的特徴表現を学習する。 9つの独立に取得したデータセットにおいて、dMRI-Fは、取得、人口、タスクをまたいだ堅牢な一般化により最先端の手法より優れていることを示す。 本研究は,低コストでスパースな取得から多種多様なdMRIアプリケーションを実現する汎用フレームワークとして,dMRI-Fの汎用性を示すものである。

関連論文リスト

• Multimodal Deep Learning for Dynamic and Static Neuroimaging: Integrating MRI and fMRI for Alzheimer Disease Analysis [5.338598022966635]
  アルツハイマー病(AD)、軽度認知障害、正常認知状態の分類にMRIとfMRIを統合した枠組みを提案する。 構造的特徴は3次元畳み込みニューラルネットワークを用いてMRIから抽出され、時間的特徴はfMRIシーケンスから学習される。 その結果,データ拡張により分類安定性と一般化が大幅に向上し,特にマルチモーダルな3DCNN-LSTMモデルが実現された。
  論文  参考訳（メタデータ） (2026-03-09T12:58:45Z)
• Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
  機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。 コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。 本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
  論文  参考訳（メタデータ） (2025-10-05T12:35:01Z)
• Decipher-MR: A Vision-Language Foundation Model for 3D MRI Representations [12.805804608410739]
  Decipher-MRは、大規模なデータセットに基づいて訓練された3次元MRI固有の視覚言語基盤モデルである。 Decipher-MRは、自己指導型視覚学習とレポート誘導型テキスト監視を統合し、堅牢で一般化可能な表現を構築する。 以上の結果から,Decipher-MRはMRIベースのAIのスケーラブルで汎用的な基盤として確立され,臨床および研究領域における効率的な開発が促進される。
  論文  参考訳（メタデータ） (2025-09-25T14:43:33Z)
• 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)
• Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
  マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。 現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。 テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
  論文  参考訳（メタデータ） (2024-09-25T11:14:47Z)
• DDEvENet: Evidence-based Ensemble Learning for Uncertainty-aware Brain Parcellation Using Diffusion MRI [5.757390718589337]
  EVENetは、拡散MRIを用いた解剖学的脳解析のためのエビデンスベースのエンサンブルニューラルネットワークである。 健常層および臨床集団の異なるデータセットの正確なパーセレーションと不確実性の推定値を得た。 この不確実性評価により,EVENet法は病変症例の異常脳領域の検出に有効であることが示された。
  論文  参考訳（メタデータ） (2024-09-11T05:26:23Z)
• ACTION: Augmentation and Computation Toolbox for Brain Network Analysis with Functional MRI [28.639321546348654]
  ActionはfMRI分析のためのPythonベースのクロスプラットフォームツールボックスである。 自動fMRI増強、血液酸素レベル依存(BOLD)シグナル増強、脳ネットワーク増強を可能にする。 大規模な補助的なラベルなしデータを活用するディープラーニングモデルの構築をサポートする。
  論文  参考訳（メタデータ） (2024-05-10T01:45:09Z)
• fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
  本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。 我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。 コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
  論文  参考訳（メタデータ） (2023-11-01T07:24:22Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)

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。