論文の概要: Toward Clinical Translation of Deep Learning-Based Intracranial Super-Resolution 4D Flow MRI Using Multi-Cohort Transfer Learning

• arxiv url: http://arxiv.org/abs/2610.35396v1
• Date: Mon, 26 Oct 2026 13:11:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.936389
• Title: Toward Clinical Translation of Deep Learning-Based Intracranial Super-Resolution 4D Flow MRI Using Multi-Cohort Transfer Learning
• Title（参考訳）: マルチコホートトランスファー学習を用いた深層学習による頭蓋内超解像4D Flow MRIの臨床的翻訳に向けて
• Abstract要約: 頭蓋内4D Flow MRIの高分解能化のための合成前訓練と多コホートトランスファー学習の評価を行った。 プールドトランスファー学習は平均vNRMSEが最低値であった。 超解像型位相コントラストアンギオグラフィーは, 原像の標準解像度画像よりも曲線下における精度の高いリコール面積を実現した。
• 参考スコア（独自算出の注目度）: 33.50208574091527
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We evaluated synthetic pretraining and multi-cohort transfer learning for deep learning-based super-resolution of intracranial 4D Flow MRI across heterogeneous neurologic cohorts. This mixed prospective-retrospective study analyzed 18 participants (12 healthy participants, 3 with moyamoya disease, and 3 with multiple sclerosis) with paired 1.2-mm and 0.6-mm 4D Flow MRI scans. A convolutional neural network pretrained on synthetic cerebrovascular data was fine-tuned using cohort-specific or pooled multi-cohort in vivo data. High-resolution-derived inputs enabled voxel-wise evaluation; native standard-resolution scans were used for angiographic and hemodynamic analyses. Synthetic pretraining reduced mean artery-wise velocity-normalized root mean square error (vNRMSE) versus interpolation (0.147 vs 0.166). Pooled transfer learning yielded the lowest mean vNRMSE (0.119 vs 0.127 for cohort-specific models and 0.147 for synthetic pretraining), with narrower 95% limits-of-agreement widths than synthetic pretraining across all test cases (0.109-0.222 vs 0.154-0.278 m/s). Super-resolved phase-contrast angiography achieved higher precision-recall area under the curve than native standard-resolution imaging in all cohorts (0.848-0.896 vs 0.486-0.805). These results indicate that pooled transfer learning improves cross-cohort reconstruction agreement and that super-resolution can improve vessel depiction, supporting further multi-center validation for cerebrovascular imaging.
• Abstract（参考訳）: 異種神経コホートを用いた頭蓋内4D Flow MRIの高分解能化のための合成前訓練と多コホート伝達学習の評価を行った。 本研究は18名の被験者(健常者12名,モヤモヤ病3名,多発性硬化症3名)を1.2mmと0.6mmの4D Flow MRIスキャンで分析した。 人工脳血管データに基づいて事前訓練された畳み込みニューラルネットワークは、コホート特異的またはプール化されたマルチコホートインビボデータを用いて微調整された。 高分解能インプットによりボクセル単位での評価が可能となり、血管造影および血行動態解析にネイティブ標準分解能スキャンが用いられた。 合成前訓練により平均動脈速度正規化ルート平均二乗誤差 (vNRMSE) と補間 (0.147 vs 0.166) が減少した。 また,全試験例(0.109-0.222 vs 0.154-0.278 m/s)において,poled transfer learningは平均vNRMSE(コホート特異的モデルでは0.119 vs 0.127,合成事前訓練では0.147)を最低値とし,95%の制限幅を限定した(0.109-0.222 vs 0.154-0.278 m/s)。 超解相造影アンギオグラフィーは全コホート(0.848-0.896 vs 0.486-0.805)の標準解像度画像より曲線下での高精度リコール面積を実現した。 以上の結果から,プールドトランスファー学習はクロスコホート再構築の合意を向上し,超高分解能で血管描写が向上し,脳血管画像のマルチセンター検証が促進されることが示唆された。

関連論文リスト

• Distilling Photon-Counting CT into Routine Chest CT through Clinically Validated Degradation Modeling [51.330452704464925]
  145の病院から1,046のPCCTと405,379のEICTで潜伏拡散モデルを訓練した。 我々は,PCCTライクな品質に拡張された17,316以上の公開EICTの大規模データセットを構築した。 以上の結果から,現像技術の進歩は,限られた高画質スキャンを基準として,定期的なEICTに体系的に蒸留できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-08T17:47:35Z)
• One-shot synthesis of rare gastrointestinal lesions improves diagnostic accuracy and clinical training [45.49415063761575]
  EndoRareは、単一の参照画像から多種多様な高忠実度病変を合成する、ワンショットでリトレーニング不要な生成フレームワークである。 われわれはこの枠組みを4つの稀な病理から検証した。 これらの結果は, コンピュータ支援診断と臨床教育の両方において, 希少なギャップを埋める実践的でデータ効率のよい方法を確立している。
  論文  参考訳（メタデータ） (2025-12-30T15:07:09Z)
• NodMAISI: Nodule-Oriented Medical AI for Synthetic Imaging [21.25110830915782]
  解剖学的に制約された結節指向CT合成および多ソースコホートを統一した拡張フレームワークであるNodMAISIを導入する。 6つの公開試験データセットの中で、NodMAISIはMAISI-v2(実合成FID範囲 1.18 対 2.99 対 1.69 対 5.21)に対する分布の忠実度を改善した。 NodMAISIはAUCを0.07から0.11に改善し、臨床データは20%で0.12から0.21に改善した。
  論文  参考訳（メタデータ） (2025-12-19T20:11:30Z)
• Neural Discrete Representation Learning for Sparse-View CBCT Reconstruction: From Algorithm Design to Prospective Multicenter Clinical Evaluation [64.42236775544579]
  コーンビームCT(CBCT)ガイド下穿刺は胸部腫瘍の診断・治療に確立されたアプローチとなっている。 DeepPriorCBCTは3段階のディープラーニングフレームワークであり、従来の放射線線量の6分の1しか使用せずに診断段階の再構築を実現する。
  論文  参考訳（メタデータ） (2025-11-30T12:45:02Z)
• Large-Scale Pre-training Enables Multimodal AI Differentiation of Radiation Necrosis from Brain Metastasis Progression on Routine MRI [3.291383664051985]
  放射線治療後の腫瘍進展と放射線壊死の鑑別は、脳転移にとって重要な課題である。 従来の教師付き深層学習アプローチは、生検確認の少ない訓練データによって制約される。 自己教師付き学習は、大規模にラベル付けされていない脳転移画像データセットの可用性の増大を活用することで、この問題を克服する。
  論文  参考訳（メタデータ） (2025-11-22T22:44:50Z)
• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• Generative AI for Rapid Diffusion MRI with Improved Image Quality, Reliability and Generalizability [3.6119644566822484]
  我々は,Human Connectome Projectデータに基づいて訓練されたSwin UNEt Transformersモデルを用いて,dMRIの一般化復調を行う。 成人健常者におけるHCPデータを用いた超解像実験を行った。 高速拡散テンソル画像の精度と信頼性は,90秒のスキャン時間しか必要としない。
  論文  参考訳（メタデータ） (2023-03-10T03:39:23Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Deep Learning Estimation of Multi-Tissue Constrained Spherical Deconvolution with Limited Single Shell DW-MRI [2.903217519429591]
  深層学習は、第8次制約付き球面デコンボリューション(CSD)によって得られた情報内容を推定するために用いられる。 2つのネットワークアーキテクチャについて検討する: 中央に残留ブロックを持つ完全連結層からなる逐次ネットワーク(ResDNN)と、残ブロックを持つパッチベースの畳み込みニューラルネットワーク(ResCNN)。 繊維配向分布関数 (fODF) はマルチシェルDW-MRIの取得から得られたMT-CSTの基底的真実と比較して高い相関で復元できる。
  論文  参考訳（メタデータ） (2020-02-20T15:59:03Z)

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。