論文の概要: MoSAIK: Motion Search with Artificial Intelligence in K-space

• arxiv url: http://arxiv.org/abs/2610.27156v1
• Date: Mon, 19 Oct 2026 18:49:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.460773
• Title: MoSAIK: Motion Search with Artificial Intelligence in K-space
• Title（参考訳）: MoSAIK:K空間における人工知能を用いたモーション検索
• Abstract要約: MoSAIKは、平面内剛体運動を直接、標準マルチコイルTSE k-空間から推定する。 Transformer-based k-space motion-trajectory Estimationは、標準臨床TSE脳MRIの高速な振り返り補正を可能にする。
• 参考スコア（独自算出の注目度）: 0.6999740786886536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object: Motion artefacts remain a major limitation of routine two-dimensional T2-weighted turbo spin-echo (TSE) brain MRI, reducing diagnostic confidence and often necessitating repeated acquisitions. MoSAIK (Motion Search with AI in K-space) retrospectively estimates in-plane rigid-body motion directly from standard multi-coil TSE k-space. Without a motion-free reference, external navigators, or additional acquisitions, MoSAIK infers motion from k-space self-consistency violations and incorporates predicted parameters into model-based, motion-aware reconstruction rather than synthesizing corrected images. Materials and Methods: Selected complex coil data were represented as log-magnitude and phase channels. A decoupled convolutional embedding and Transformer encoder estimated phase-encoding-line-indexed rotation and two-dimensional translations. Training used motion-free clinical acquisitions with simulated motion; four held-out subjects were evaluated. Component-wise errors assessed estimation; SSIM and PSNR in silico and entropy focus criterion (EFC) in vivo assessed reconstruction. Results: Motion estimation errors were low for both rotation (MSE $<$ 0.2 deg$^2$) and translation (MSE $<$ 0.2 pixels$^2$), with Pearson correlations of approximately 0.96 and 0.94, respectively. In every in-vivo acquisition, more than 75% of slices showed information gain relative to uncorrected reconstructions. MoSAIK reduced visible artefacts while preserving anatomical detail. Discussion: Transformer-based k-space motion-trajectory estimation enables fast retrospective correction of standard clinical TSE brain MRI.
• Abstract（参考訳）: 対象: 運動アーチファクトは、通常の2次元T2重み付きターボスピンエチョ(TSE)脳MRIの主要な限界であり、診断の信頼性を低下させ、しばしば繰り返し取得を必要とする。 MoSAIK (Motion Search with AI in K-space) は、平面内剛体運動を直接、標準のマルチコイルTSE k-spaceから推定する。 モーションフリー参照、外部ナビゲータ、追加の取得なしで、MoSAIKはk空間の自己整合性違反から動きを推測し、予測されたパラメータを補正された画像を合成するのではなく、モデルベースのモーション認識再構成に組み込む。 材料と方法: 選択された複合コイルデータは、対数マグニチュードと位相チャネルとして表現された。 分離畳み込み畳み込みエンコーダとトランスフォーマーエンコーダは、位相符号化-線インデクシング回転と2次元変換を推定する。 被験者4名を対象に, 模擬運動を用いた無運動臨床評価を行った。 シリコおよびエントロピー焦点基準(EFC)におけるSSIMとPSNRをin vivoで評価した。 結果: 運動推定誤差はローテーション(MSE $<$ 0.2 deg$^2$)と翻訳(MSE $<$ 0.2 pixels$^2$)で低く, ピアソン相関は0.96と0.94であった。 ビビオでの全ての買収において、75%以上のスライスでは、不正な再構築に対する情報ゲインが示されていた。 MoSAIKは、解剖学的詳細を保存しながら、目に見えるアーティファクトを減らした。 考察: Transformer-based k-space motion-trajectory Estimation は、標準臨床TSE脳MRIの高速リフレクション補正を可能にする。

関連論文リスト

• Motion Artifact-Aware Self-Supervised Representation Learning for 3D Brain MRI Motion Artifact Reduction [5.935221658266667]
  SSRL-MARは、動きアーチファクトの低減のための、動きアーチファクトを意識した表現学習フレームワークである。 SSRL-MARは、SSRL-MARがPSNR 23.81dB、SSIM 91.55%、NMSE 0.79%を達成した。 In-vivo MR-ARTデータセットでは、事前訓練されたモデルにより運動歪みが減少し、教師なし領域適応により解剖学的忠実度はさらに向上した。
  論文  参考訳（メタデータ） (2026-08-10T19:37:31Z)
• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
  現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。 新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
  論文  参考訳（メタデータ） (2025-03-27T17:59:57Z)
• 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)
• SISMIK for brain MRI: Deep-learning-based motion estimation and model-based motion correction in k-space [0.0]
  本研究では,脳の2次元スピンエコースキャンにおける動き推定と補正の振り返り手法を提案する。 この手法は、深いニューラルネットワークのパワーを利用してk空間の運動パラメータを推定する。 モデルに基づくアプローチを用いて、劣化した画像を復元し、「幻覚」を避ける。
  論文  参考訳（メタデータ） (2023-12-20T17:38:56Z)
• Exploring Epipolar Consistency Conditions for Rigid Motion Compensation in In-vivo X-ray Microscopy [3.6741311433177484]
  歯肉内X線顕微鏡(Intravital X-ray microscopy, XRM)は, 骨の微細構造変化の同定に重要である。 この方法の複雑さは、マウスの骨の高品質な3D再構成の必要性に起因している。 遠位偏極性条件 (ECC) を用いた運動補償は, 臨床CTでは有意な成績を示した。
  論文  参考訳（メタデータ） (2023-03-01T12:18:03Z)
• A Novel Approach for Correcting Multiple Discrete Rigid In-Plane Motions Artefacts in MRI Scans [63.28835187934139]
  本稿では,2つの入力枝を持つディープニューラルネットワークを用いた動きアーチファクトの除去手法を提案する。 提案法は患者の多動運動によって生成された人工物に応用できる。
  論文  参考訳（メタデータ） (2020-06-24T15:25:11Z)
• Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
  トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。 患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。 本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T09:49:11Z)

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。