論文の概要: Retrospective macromolecular pool fraction mapping from conventional clinical MRI: a physics-guided self-supervised deep learning framework

• arxiv url: http://arxiv.org/abs/2610.37213v1
• Date: Tue, 27 Oct 2026 13:27:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.637898
• Title: Retrospective macromolecular pool fraction mapping from conventional clinical MRI: a physics-guided self-supervised deep learning framework
• Title（参考訳）: 従来の臨床MRIからの振り返り型マクロ分子プール分画マッピング:物理誘導型自己教師型ディープラーニングフレームワーク
• Abstract要約: マクロ分子プール分画(マクロ分子プール分画、英: Macromolecular pool fraction、MPF)は、ミエリンの完全性に敏感な定量的イメージングバイオマーカーである。 従来の臨床脳MRIからMPFを遡及的に推定する物理誘導型自己教師型ディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 32.45908305444983
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Macromolecular pool fraction (MPF) is a quantitative imaging biomarker sensitive to myelin integrity and other changes in tissue macromolecular content, but specialized acquisitions and reconstruction methods limit its use in large-scale studies. We present a physics-guided, self-supervised deep learning framework for retrospectively estimating MPF directly from conventional clinical brain MRI ($T_1$-weighted, $T_2$-weighted, and fluid-attenuated inversion recovery [FLAIR]) without paired quantitative reference scans. The framework embeds an analytical two-pool magnetization transfer signal model that related sequence-averaged radiofrequency transmit power to apparent longitudinal relaxation. To accommodate heterogeneous clinical protocols, the network conditions intermediate features on acquisition parameters via adaptive instance normalization. It was trained and evaluated on a multisite, multivendor, multiprotocol dataset of 7,705 MRI sessions (3 T). Across 1,237 test sessions, mean MPF was $0.182 \pm 0.007$ in white matter and $0.144 \pm 0.009$ in gray matter, with limited variation across vendor-by-protocol groups (between-group coefficient of variation: 2.65% and 5.63%, respectively). In 70 sessions with demyelinating-disease labels, MPF was 35.6% lower in segmented lesions than in normal-appearing white matter. MPF maps from two different clinical protocols acquired in a healthy volunteer showed a mean voxel-wise absolute percentage difference of 7.7% and a concordance correlation coefficient of $0.888$, indicating good cross-protocol consistency. These results suggest that magnetization transfer-informed self-supervised learning enables stable MPF mapping from conventional clinical MRI, providing a scalable approach to investigate demyelinating pathology in both existing imaging archives and prospectively acquired conventional clinical scans without dedicated qMT acquisitions.
• Abstract（参考訳）: マクロ分子プール分画(マクロ分子プール分画、英: Macromolecular pool fraction、MPF)は、ミエリンの完全性や他の組織マクロ分子量の変化に敏感な定量的イメージングバイオマーカーである。 従来の臨床脳MRI(T_1$-weighted,$T_2$-weighted, and fluid-attenuated inversion recovery (FLAIR))からMPFを直接推定する物理誘導型自己教師型ディープラーニングフレームワークを提案する。 このフレームワークは解析的な2プール磁化伝達信号モデルを組み込んでおり、これは平均的な周波数伝送電力と明らかに長手な緩和を関連づけている。 不均一な臨床プロトコルに対応するため、ネットワーク条件は適応インスタンス正規化による取得パラメータの中間的特徴である。 マルチサイト、マルチベンダ、マルチプロトコルのデータセットで7,705のMRIセッション(3T)をトレーニングし、評価した。 1,237回の試験では、MPFは白黒物質が0.182 pm 0.007$、灰白物質が0.144 pm 0.009$であり、ベンダー・バイ・プロトコール・グループ(それぞれ2.65%と5.63%)に限られていた。 脱髄ラベルを用いた70回のセッションでは、MPFは正常に出現する白色物質よりも分節病変が35.6%低かった。 健康なボランティアで取得した2つの異なる臨床プロトコルのMPFマップでは,平均ボクセル単位の絶対パーセンテージ差が7.7%,一致相関係数が0.888$であった。 これらの結果から,磁化トランスフォーメーションによる自己教師付き学習は,従来の臨床MRIから安定なMPFマッピングを可能にすることが示唆された。

関連論文リスト

• Predicting Immune Biomarkers with MultiModal Mixture-of-Expert Pathology Foundation Models Empowers Precision Oncology [47.79180201495836]
  MixTIMEは、異なるモダリティで訓練された病理基盤モデルを統合したマルチモーダル基礎モデルである。 ヘマトキシリンおよびエオシン全スライディング画像から多重免疫蛍光(mIF)タンパク質の発現を予測する。 MixTIMEは17個のタンパク質マーカーにまたがる最先端のパフォーマンスを相関指標で測定する。
  論文  参考訳（メタデータ） (2026-06-16T16:22:42Z)
• Spatial Multi-Task Learning for Breast Cancer Molecular Subtype Prediction from Single-Phase DCE-MRI [30.331894334353038]
  乳癌分子型予測のための空間マルチタスク学習フレームワークを提案する。 このフレームワークは、エストロゲン受容体(ER)、プロゲステロン受容体(PR)、ヒト上皮成長因子受容体2(HER2)、およびKi-67増殖指数を同時に予測する。
  論文  参考訳（メタデータ） (2026-01-11T17:33:41Z)
• Quantitative mapping from conventional MRI using self-supervised physics-guided deep learning: applications to a large-scale, clinically heterogeneous dataset [32.995373978092665]
  本研究では,T1,T2,およびプロトン密度マップを推定する物理誘導深層学習フレームワークを提案する。 このフレームワークは、大規模な、臨床的に不均一なデータセットで訓練され、評価された。
  論文  参考訳（メタデータ） (2026-01-08T16:08:58Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• A new method of modeling the multi-stage decision-making process of CRT using machine learning with uncertainty quantification [8.540186345787244]
  本研究の目的は、心不全患者に対する心臓再同期療法(CRT)反応を予測するための多段階機械学習モデルを構築することである。
  論文  参考訳（メタデータ） (2023-09-15T14:18:53Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)

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。