論文の概要: LGGS: Longitudinal MRI Reconstruction via Guided Group Sparsity

• arxiv url: http://arxiv.org/abs/2610.22643v1
• Date: Thu, 15 Oct 2026 21:02:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.669871
• Title: LGGS: Longitudinal MRI Reconstruction via Guided Group Sparsity
• Title（参考訳）: LGGS:ガイド付き群間隔による縦断的MRI再構成
• Abstract要約: 長期MRIスキャンはコストを増大させ、患者のアクセスを制限し、幅広い臨床的重要性のイメージ再構成を加速させる。 同じ患者の以前のスキャンには、現在の検査と非常に相関した画像情報が含まれているが、既存の再建手法では、この情報を利用することは滅多にない。 本研究では,縦方向のMRI再構成のための解釈可能な深層学習フレームワークLGGSを提案する。
• 参考スコア（独自算出の注目度）: 3.410981063851356
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Serial MRI is routinely performed in current clinical practice for disease surveillance and applications such as MR-guided radiotherapy. However, long MRI scan times increase costs and limit patient access, making accelerated image reconstruction of broad clinical importance. Previous scans of the same patient contain image information highly correlated with the current exam, yet existing reconstruction methods rarely exploit this information. Major challenges in the effective use of prior scans include inter-visit misregistration, pathological changes, and image phase variation. In this work, we propose Longitudinal Guided Group Sparsity (LGGS), an interpretable deep-learning framework for longitudinally informed MRI reconstruction derived from classical group sparsity. The prior scan is incorporated into the reconstruction regularizer through learned phase-invariant circulant attention that identifies corresponding features across exams. This formulation provides robustness to local in-plane and through-plane misregistration as well as inter-visit phase variation. Across acceleration rates, LGGS achieves state-of-the-art performance on longitudinal T1-weighted multi-coil brain MRI data, outperforming the evaluated unguided and longitudinally informed reconstruction methods, with substantially fewer learned parameters. We further evaluated the contributions of multiple guide slices and phase-invariant similarity and demonstrated that accelerated prior images can also serve as effective guides with minimal degradation in reconstruction quality.
• Abstract（参考訳）: MR誘導放射線療法(MR-guided radiotherapy)のような病気の監視や応用のための現在の臨床実践において、シリアルMRIは日常的に実施される。 しかし、長いMRIスキャン時間ではコストが増加し、患者へのアクセスが制限されるため、幅広い臨床的重要性のイメージ再構成が加速される。 同じ患者の以前のスキャンには、現在の検査と非常に相関した画像情報が含まれているが、既存の再建手法では、この情報を利用することは滅多にない。 先行スキャンの有効利用における主な課題は、視線間ミスレジゲーション、病理学的変化、画像位相変化である。 本研究は,古典的グループ空間から抽出された縦方向のMRI再構成のための,解釈可能なディープラーニングフレームワークであるLGGSを提案する。 予備スキャンは、学習段階不変循環注意により再構成正則化器に組み込まれ、試験間で対応する特徴を識別する。 この定式化は、局所的な面内および面内ミスレジストレーション、および視線間位相変化に堅牢性を与える。 加速速度全体では、LGGSは縦型T1重み付きマルチコイル脳MRIデータに対して最先端の性能を達成し、評価された無誘導および縦型情報再構成法より優れ、学習パラメータが大幅に少ない。 さらに,複数のガイドスライスと位相不変類似性の寄与を評価し,先行画像の高速化が再現品質の低下を最小限に抑えるための効果的なガイドとして有効であることを示した。

関連論文リスト

• How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning? [49.14050864978079]
  我々は,マルチビュー解剖学的入力を統一する評価フレームワークであるTime-Aware Multi-View MRI Benchmarkを紹介した。 このベンチマークは、3200の縦断MRIのタイムポイントにまたがる890人の患者から得られた、専門家が検証した質問応答ペア3,920名からなる。
  論文  参考訳（メタデータ） (2026-08-13T14:35:20Z)
• Enhancing and Accelerating Brain MRI through Deep Learning Reconstruction Using Prior Subject-Specific Imaging [35.175191487977386]
  ディープラーニングに基づく新しいMRI再構成フレームワークを提案する。 我々は,T1強調MRIの縦断的データセットを用いて,被験者18名からの2,808イメージを4つのアクセラレーション因子で検証した。 また,従来の登録アルゴリズムを用いた手法と比較して,再建時間を大幅に短縮した。
  論文  参考訳（メタデータ） (2025-07-28T21:39:36Z)
• Evaluating structural uncertainty in accelerated MRI: are voxelwise measures useful surrogates? [1.8124328823188356]
  ボクセルレベルの不確実性は形態的不確実性についての洞察を与えないことを示す。 臨床的に関連のある下流課題としてセグメンテーションを使用し、再建モードのアンサンブルを配置し、再建における不確実性を測定する。
  論文  参考訳（メタデータ） (2025-03-13T16:34:22Z)
• 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)
• Accelerating MRI with Longitudinally-informed Latent Posterior Sampling [2.1965682857041906]
  縦方向の学習データを必要としない拡散モデルに基づく再構成フレームワークを提案する。 推測において,本フレームワークは対象者のDICOMフォーマットの事前スキャンを統合し,フォローアップの再構築を誘導する。 本手法は,長手および非縦長のベースライン再構築法より一貫して優れる。
  論文  参考訳（メタデータ） (2024-06-29T22:13:54Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• A Long Short-term Memory Based Recurrent Neural Network for Interventional MRI Reconstruction [50.1787181309337]
  本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。 提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
  論文  参考訳（メタデータ） (2022-03-28T14:03:45Z)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• Improved Simultaneous Multi-Slice Functional MRI Using Self-supervised Deep Learning [0.487576911714538]
  自己監視型DL再構成を複数スライス(SMS)同時画像化に拡張します。 その結果, 自己監視型DLは再構成ノイズを低減し, 残存物を抑制することが示された。 後続のfMRI解析はDL処理によって未定であり、時間信号対雑音比の改善はタスク実行間のコヒーレンス推定を高くする。
  論文  参考訳（メタデータ） (2021-05-10T17:36:27Z)
• High-Fidelity Accelerated MRI Reconstruction by Scan-Specific Fine-Tuning of Physics-Based Neural Networks [3.1498833540989413]
  高分解能MRIでは、長時間のスキャンが依然として課題である。 ディープラーニングは、データから直接学習されるデータ駆動型正規化器を提供することによって、MRIの再構築を加速する強力な手段として登場した。 本研究では,トランスファーラーニング手法を用いて,これらレギュレータを自己超越的手法を用いて新しい被験者に微調整する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-12T05:10:10Z)

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。