論文の概要: DGCM-SSFA: Dual-Granularity Cross-Modulation and Sparse Strip Frequency Attention for Efficient 3T-to-7T MRI Synthesis
- arxiv url: http://arxiv.org/abs/2610.29141v1
- Date: Wed, 21 Oct 2026 03:21:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.189985
- Title: DGCM-SSFA: Dual-Granularity Cross-Modulation and Sparse Strip Frequency Attention for Efficient 3T-to-7T MRI Synthesis
- Title（参考訳）: DGCM-SSFA:高効率3T-to-7TMRI合成のための二重粒度交差変調とスパースストリップ周波数アテンション
- Abstract要約: 本稿では,DGCM-SSFAと呼ばれるコンパクトなマルチドメインアテンションフレームワークを提案する。
UNC と BNU 3T-to-7T MRI データセットを T1w と T2w のモダリティで実験した結果,DGCM-SSFA が強い構造的忠実性を達成することが示された。
- 参考スコア（独自算出の注目度）: 7.533058959634001
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Synthesizing high-fidelity 7T MRI from routinely acquired 3T scans offers a practical pathway to enhanced neuroimaging without the prohibitive cost of ultra-high-field scanners. While existing deep learning approaches have achieved promising results, state-of-the-art methods typically rely on either large-scale architectures exceeding 45 million parameters or computationally intensive ensemble strategies, limiting their practicality in resource-constrained clinical environments. In this work, we propose a compact multi-domain attention framework, termed DGCM-SSFA, that achieves competitive synthesis quality with only 11M parameters. The proposed architecture integrates two complementary modules into a U-Net Transformer backbone. First, a Dual-Granularity Cross-Modulated Feature Modulator (DGCM) is embedded at multiple hierarchical levels to enhance local edge and texture details through Sobel-guided spatial attention and depthwise frequency-aware channel attention with cross-branch gating. Second, a Sparse Strip Frequency Attention (SSFA) module at the bottleneck captures global spatial context via strip-pooled attention with near-linear complexity, while simultaneously performing FFT-based spectral modulation in the frequency domain. These two modules operate synergistically with the backbone's native channel attention, forming a triple-granularity feature refinement pipeline. Extensive experiments on the UNC and BNU 3T-to-7T MRI datasets across T1w and T2w modalities demonstrate that DGCM-SSFA achieves strong structural fidelity, attaining an SSIM of 0.8431 on BNU T2w---approaching the best benchmark value of 0.8624---and 0.8100 on BNU T1w, while using substantially fewer parameters than Transformer-based alternatives such as ResViT (123.4M) and FS-RWKV (45.4M).
- Abstract（参考訳）: 日常的に取得された3Tスキャンから高忠実度7T MRIを合成することは、超高磁場スキャナーの禁止コストを伴わずに、神経イメージングを強化するための実践的な経路を提供する。
既存のディープラーニングアプローチは有望な成果を上げているが、最先端の手法は一般的に4500万のパラメータを超える大規模アーキテクチャか、あるいは計算集約的なアンサンブル戦略に依存しており、リソース制約された臨床環境における実用性を制限する。
本研究では,DGCM-SSFAと呼ばれるコンパクトなマルチドメインアテンションフレームワークを提案する。
提案アーキテクチャは、2つの補完モジュールをU-Net Transformerのバックボーンに統合する。
まず、DGCM(Dual-Granularity Cross-Modulated Feature Modulator)を複数の階層レベルに埋め込み、局所的なエッジとテクスチャの詳細を高める。
第2に、ボトルネック時のスパースストリップ周波数アテンション(SSFA)モジュールは、周波数領域でFFTベースのスペクトル変調を同時に実行しながら、ストリッププールされた注意をほぼ線形複雑にすることで、グローバル空間コンテキストをキャプチャする。
これら2つのモジュールは、バックボーンのネイティブチャネルの注意と相乗的に動作し、三重粒度の特徴改善パイプラインを形成する。
UNC と BNU 3T-to-7T MRI データセットを T1w と T2w のモードで総合的に実験したところ、DGCM-SSFA は BNU T2w- の SSIM が 0.8431 に達し、BNU T1w の 0.8624-- と 0.8100 のベンチマーク値に到達し、ResViT (123.4M) や FS-RWKV (45.4M) のようなトランスフォーマーベースの代替品よりもかなり少ないパラメータを使用した。
関連論文リスト
- S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。
RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
論文 参考訳（メタデータ） (2026-08-18T08:05:00Z) - SCRWKV: Ultra-Compact Structure-Calibrated Vision-RWKV for Topological Crack Segmentation [36.61448234263959]
SCRWKV(Ultra-Compact Structure-Calibrated Vision RWKV)を提案する。
このネットワークは、線形複雑性を維持しながら、新しいStructure-Fieldバックボーンを介して高精度なモデリングを実現する。
SCRWKVは1.22Mのパラメータしか持たないが,SOTA法では著しく優れていた。
論文 参考訳（メタデータ） (2026-05-14T15:01:22Z) - NAKUL-Med: Spectral-Graph State Space Models with Dynamics Kernels for Medical Signals [3.183924309596046]
状態空間モデル(SSM)は線形時間複雑性を実現するが、マルチチャネルの生理学的信号に苦慮する。
医療信号分析のためのSSMを拡張したNAKULを3つのコントリビューションで紹介する。
論文 参考訳（メタデータ） (2026-04-24T13:27:58Z) - Hierarchical Awareness Adapters with Hybrid Pyramid Feature Fusion for Dense Depth Prediction [9.96771578356719]
既存のアプローチは、深度マップを回帰するために、ますます複雑なネットワークアーキテクチャに依存している。
本論文では,Swin Transformerのバックボーン上に構築したマルチレベル条件付きランダムフィールド(CRF)モデルを提案する。
本稿では,Abs Relを0.088ドル(約7.4%)に,RMSEを0.316ドル(約5.4%)に削減し,ほぼ完全なしきい値精度を実現した。
論文 参考訳（メタデータ） (2026-04-03T07:59:26Z) - Less is More in Semantic Space: Intrinsic Decoupling via Clifford-M for Fundus Image Classification [13.23226865033351]
フィードフォワード展開と周波数分割モジュールを疎幾何学的相互作用で置き換える軽量バックボーンであるClifford-Mを提案する。
プリトレーニングなしでは、Clifford-M は平均 AUC-ROC が 0.8142 で、平均マクロF1 が 0.5481 で、ODIR-5K は 0.85M のパラメータしか持たない。
論文 参考訳（メタデータ） (2026-03-21T13:00:05Z) - Subtractive Modulative Network with Learnable Periodic Activations [59.89799070130572]
本稿では,古典的部分抽出合成にインスパイアされた,パラメータ効率の高いインプシットニューラル表現アーキテクチャを提案する。
我々のSMNは2つの画像データセット上で40ドル以上のPSNRを達成し、再現精度とパラメータ効率の両面で最先端の手法と比較した。
論文 参考訳（メタデータ） (2026-02-18T10:20:50Z) - FS-RWKV: Leveraging Frequency Spatial-Aware RWKV for 3T-to-7T MRI Translation [30.32533644274235]
アクセス可能な3T取得から得られる7T品質の画像は、このアクセシビリティーチャレンジに有効な解決策を提供する。
3T-to-7T MRI翻訳のためのRWKVベースのフレームワークであるFS-RWKVを提案する。
UNCとBNUデータセットの実験では、FS-RWKVは既存のCNN-、Transformer-、GAN-、RWKVベースのベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2025-10-10T02:58:39Z) - Accelerated Multi-Contrast MRI Reconstruction via Frequency and Spatial Mutual Learning [50.74383395813782]
本稿では,周波数・空間相互学習ネットワーク(FSMNet)を提案する。
提案したFSMNetは, 加速度係数の異なるマルチコントラストMR再構成タスクに対して, 最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-09-21T12:02:47Z) - Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。
より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。
我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
論文 参考訳（メタデータ） (2024-05-08T11:09:24Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z)
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。