論文の概要: UniField++: A Unified Agentic Framework with Loop Reasoning for MRI Field-Strength Enhancement

• arxiv url: http://arxiv.org/abs/2610.22982v2
• Date: Thu, 22 Oct 2026 06:15:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:43.970409
• Title: UniField++: A Unified Agentic Framework with Loop Reasoning for MRI Field-Strength Enhancement
• Title（参考訳）: UniField++:MRIフィールド長拡張のためのループ推論を備えた統一エージェントフレームワーク
• Abstract要約: MRIの強度向上は、低磁場スキャナーのアクセシビリティと高磁場スキャナーの画質を組み合わせることを目的としている。 フィールド強度遷移における拡張タスクを統一する2エージェントフレームワークであるUniField++を提案する。 そこで,UniField++はPSNRを平均2.74dB改善し,SSIMを14.05ポイント改善した。
• 参考スコア（独自算出の注目度）: 38.369286736565684
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: MRI field-strength enhancement seeks to combine the accessibility of low-field scanners with the image quality of high-field scanners. Yet, existing methods remain prone to anatomical hallucinations, as uniform processing leaves difficult brain regions insufficiently examined and scarce paired data limit their learning of how tissue contrast and anatomical visibility change across field strengths. To address these challenges, we propose UniField++, a two-agent framework that unifies enhancement tasks across multiple field-strength transitions, including 64mT-to-3T and 3T-to-7T. Unified learning allows both the VLM-based planner and the flow-matching-based enhancer to draw on field-dependent image characteristics observed across tasks, rather than relying on a single transition. Trained with radiologists' annotations of hallucination-prone regions and corresponding correction plans, the planner predicts regional risk and formulates targeted restoration strategies. Guided by these plans, the enhancer performs loop reasoning along the flow-matching trajectory, repeatedly processing high-risk regions for additional refinement. Together, cross-transition learning and risk-guided refinement support anatomically faithful enhancement across field strengths. Across the evaluated tasks, UniField++ improves PSNR by an average of 2.74 dB and SSIM by 14.05 percentage points over comparison methods, with corresponding gains of 3.97 dB and 13.92 percentage points over the ablation baseline. It also maintains enhancement quality on an external cohort with an unseen field strength and improves downstream whole-brain segmentation Macro Dice by an average of 0.1457 over the original low-field images. Code is available at https://github.com/CUHK-AIM-Group/UniField_plusplus.
• Abstract（参考訳）: MRIの強度向上は、低磁場スキャナーのアクセシビリティと高磁場スキャナーの画質を組み合わせることを目的としている。 しかし、一様処理が難しい脳の領域を十分に検査し、ペアデータが少ないため、既存の方法は解剖学的幻覚の傾向が残っており、組織のコントラストと解剖学的視認性がどのようにフィールド強度によって変化するかの学習が制限されている。 これらの課題に対処するため、64mT-to-3Tや3T-to-7Tを含む複数のフィールド強度遷移における拡張タスクを統一する2エージェントフレームワークであるUniField++を提案する。 統一学習により、VLMベースのプランナとフローマッチングベースのエンハンサーの両方が、単一のトランジションに頼るのではなく、タスク間で観察されるフィールド依存の画像特性に頼ることができる。 放射線技師による幻覚症状のある地域への注記とそれに対応する修正計画で訓練されたプランナーは、地域リスクを予測し、修復戦略を目標とした定式化を行う。 これらの計画に導かれ、エンハンサーはフローマッチング軌道に沿ってループ推論を行い、追加の洗練のために高リスク領域を繰り返し処理する。 クロストランジション・ラーニングとリスクガイダンス・リファインメントは、フィールドの強みを横断する解剖学的に忠実に強化する。 評価されたタスク全体にわたって、UniField++はPSNRを平均2.74dB、SSIMを14.05ポイント改善し、アブレーションベースラインよりも3.97dB、13.92ポイント向上した。 また、未確認のフィールド強度を持つ外部コホートの強化品質を維持し、元のローフィールド画像に対して平均0.1457のダウンストリーム全脳セグメンテーションを向上する。 コードはhttps://github.com/CUHK-AIM-Group/UniField_plusplusで入手できる。

関連論文リスト

• UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
  methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。 我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。 我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
  論文  参考訳（メタデータ） (2026-03-10T05:45:12Z)
• Radiology Report Generation with Layer-Wise Anatomical Attention [35.18016233072556]
  我々は胸部X線レポートのFinderingsセクションを生成するコンパクトな画像からテキストへのアーキテクチャを提案する。 このモデルは凍結した自己蒸留とNo Labels v3 (DINOv3) Vision Transformer (ViT)エンコーダとGenerative Pre-trained Transformer 2 (GPT-2)デコーダを組み合わせたものである。
  論文  参考訳（メタデータ） (2025-12-18T18:17:57Z)
• Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
  前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。 本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。 以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
  論文  参考訳（メタデータ） (2025-11-11T04:16:12Z)
• PF-DAformer: Proximal Femur Segmentation via Domain Adaptive Transformer for Dual-Center QCT [8.358409792893278]
  多施設定量的CT(QCT)に適したドメイン適応型トランスフォーマーセグメンテーションフレームワークを開発した。 当モデルでは, タラネ大学から1024個のQCT画像スキャン, ミネソタ州ロチェスターから384個の画像スキャンを行い, 大腿骨近位部セグメンテーションを行った。
  論文  参考訳（メタデータ） (2025-10-30T18:07:56Z)
• Mask What Matters: Controllable Text-Guided Masking for Self-Supervised Medical Image Analysis [2.6554246520306624]
  Mask What Mattersは、自己監督型医療画像分析のためのコントロール可能なテキスト誘導マスキングフレームワークである。 既存のMIM法を一貫して上回り、分類精度で最大3.1ポイントの利得を得る。 これらの改善は、全体のマスキング比を著しく低くする。
  論文  参考訳（メタデータ） (2025-09-27T02:26:56Z)
• Hierarchical Self-Supervised Adversarial Training for Robust Vision Models in Histopathology [64.46054930696052]
  敵対的攻撃は、医療のような重要な分野におけるビジョンモデルに重大な課題をもたらす。 既存の自己監督型逆行訓練手法は、病理像の階層構造を見落としている。 本稿では,これらの特性を活かした階層型自己監督適応訓練(HSAT)を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:59:47Z)
• Transferring Ultrahigh-Field Representations for Intensity-Guided Brain Segmentation of Low-Field Magnetic Resonance Imaging [51.92395928517429]
  7T MRIの使用は、低磁場MRIと比較して高コストでアクセシビリティが低いため制限されている。 本研究では,入力されたLF磁気共鳴特徴表現と,脳画像分割タスクのための7T様特徴表現とを融合したディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T12:21:06Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。