論文の概要: Implicit Neural Models for Direct Multi-Shell Diffusion MRI Signal Estimation

• arxiv url: http://arxiv.org/abs/2610.24034v2
• Date: Tue, 20 Oct 2026 15:02:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.2321
• Title: Implicit Neural Models for Direct Multi-Shell Diffusion MRI Signal Estimation
• Title（参考訳）: 直接多層拡散MRI信号推定のための入射ニューラルモデル
• Abstract要約: 本稿では,ウェーブレットアクティベーション機能を持つ暗黙的ニューラル表現ネットワークを用いて,拡散信号全体の表現を提案する。 信号空間は、原拡散データの連続出力分布に対してフーリエ特徴と球面調和基底関数を用いて符号化される。 我々は,Human Connectome Projectの被験者10名,社内データによる被験者26名を対象に実験を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion magnetic resonance imaging is a noninvasive technique that is sensitive to the motion of water molecules in human tissue. The image signal is commonly described in q-space; however, a complete coverage of this space is often infeasible due to hardware and acquisition time limitations. In this work, we propose to represent the entire diffusion signal using an implicit neural representation network with wavelet activation functions. The signal space is encoded using Fourier features and spherical harmonics basis functions for a continuous output distribution of the raw diffusion data, enabling both super-resolution and q-space interpolation. Additionally, we introduce a pretraining strategy using a group template, enabling faster per-subject optimisation when combined with nonlinear registrations of subjects into template space. We tested the method with 10 subjects from the Human Connectome Project and 26 subjects from in-house data (multidimensional diffusion MRI from a Parkinson's disease cohort). The results show that the proposed method yields high-fidelity reconstructions with significantly reduced memory requirements compared to raw diffusion-weighted images. The pretraining scheme showed good generalisability properties on data acquired with very different protocols. We further assess the method on downstream metrics relevant to diffusion MRI data from the learned representations.
• Abstract（参考訳）: 拡散磁気共鳴イメージングはヒト組織における水分子の動きに敏感な非侵襲的手法である。 画像信号は一般にq空間で記述されるが、ハードウェアと取得時間制限のため、この空間の完全なカバレッジは不可能であることが多い。 本研究では,ウェーブレット活性化機能を持つ暗黙的ニューラル表現ネットワークを用いて,拡散信号全体の表現を提案する。 信号空間はフーリエ特徴と球面調和基底関数を用いて符号化され、生拡散データの連続的な出力分布が得られ、超解像とq空間の補間が可能である。 さらに、グループテンプレートを用いた事前学習戦略を導入し、被験者の非線形登録をテンプレート空間に組み合わせた場合、オブジェクトごとの最適化を高速化する。 我々は,Human Connectome Projectの被験者10名と社内データ(パーキンソン病コホートからの多次元拡散MRI)の被験者26名を対象に実験を行った。 提案手法は, 生拡散強調画像と比較して, メモリ要求を大幅に低減した高忠実度再構成を実現する。 事前学習方式は、非常に異なるプロトコルで取得したデータに対して、優れた汎用性を示した。 さらに、学習した表現からの拡散MRIデータに関連する下流の指標について評価する。

関連論文リスト

• Diffusion MRI Transformer with a Diffusion Space Rotary Positional Embedding (D-RoPE) [11.718317717365373]
  我々は拡散空間回転位置埋め込み(DRoPE)を導入し,拡散データの空間構造と方向特性の両方を捉える。 自己教師付きマスク付き自己エンコーディング事前学習の後、いくつかの下流タスクのテストでは、学習された表現と事前訓練されたモデルが、競争力や優れたパフォーマンスを提供できることを示した。
  論文  参考訳（メタデータ） (2026-03-26T23:39:52Z)
• Frequency Domain-Based Diffusion Model for Unpaired Image Dehazing [92.61216319417208]
  そこで本稿では,未確認データにおける有益な知識を十分に活用するための,新しい周波数領域ベース拡散モデルを提案する。 拡散モデル(DM)が示す強い生成能力に着想を得て,周波数領域再構成の観点からデハージング課題に取り組む。
  論文  参考訳（メタデータ） (2025-07-02T01:22:46Z)
• A Steerable Deep Network for Model-Free Diffusion MRI Registration [4.813333335683418]
  原拡散MRIデータの非厳密な登録のための新しい深層学習フレームワークを提案する。 この研究は、データ駆動型幾何対応のdMRI登録の基盤を、取得空間で直接確立する。
  論文  参考訳（メタデータ） (2025-01-08T19:18:44Z)
• 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)
• Neural Spherical Harmonics for structurally coherent continuous representation of diffusion MRI signal [0.3277163122167433]
  本稿では,ヒト脳の構造的コヒーレンスから恩恵を受ける拡散磁気共鳴画像(dMRI)データセットをモデル化する方法を提案する。 現在の方法では、個々のボクセルのdMRI信号をモデル化し、現在存在するボクセルのコヒーレンスを無視している。 我々は、ニューラルネットワークを用いて、Human Connectome Projectデータセットから1つの対象のdMRI信号を表現するために、球面調和系列をパラメータ化する。
  論文  参考訳（メタデータ） (2023-08-16T08:28:01Z)
• Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
  本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。 具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。 提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
  論文  参考訳（メタデータ） (2023-03-10T07:42:49Z)
• Dimensionality-Varying Diffusion Process [52.52681373641533]
  拡散モデルは、信号破壊プロセスを逆転して新しいデータを生成することを学習する。 信号分解による前方拡散過程の理論的一般化を行う。 FFHQで訓練された拡散モデルのFIDを,52.40から10.46までの1024Times1024$解像度で改善する。
  論文  参考訳（メタデータ） (2022-11-29T09:05:55Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• 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)

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。