論文の概要: OpenULF: A Modular Toolkit Enables Data-Driven Ultra-Low-Field MRI with both Classical and Quantum Sensors
- arxiv url: http://arxiv.org/abs/2611.01511v1
- Date: Sun, 01 Nov 2026 03:43:16 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 19:56:57.177514
- Title: OpenULF: A Modular Toolkit Enables Data-Driven Ultra-Low-Field MRI with both Classical and Quantum Sensors
- Title（参考訳）: OpenULF: データ駆動型Ultra-Low-Field MRIを実現するモジュールツールキット
- Abstract要約: Ultra-low-field (ULF) Magnetic Resonance Imaging (MRI) は10mT以下の磁場強度で動作することにより、従来のスキャナーに代わるポータブルで低コストな代替手段を提供する。
量子SQUID(Superconducting Quantum Interference Device)センサーは高感度だが低温冷却を必要とする。
データ駆動型再構成は、関連する逆問題において同様の制限を克服してきたが、ULF-MRIの使用は、オープンデータセット、ベンチマーク、フレキシブルシミュレータの欠如によって妨げられている。
オープニング
- 参考スコア（独自算出の注目度）: 5.662902013892708
- License:
- Abstract: Ultra-low-field (ULF) Magnetic Resonance Imaging (MRI) offers a portable, low-cost alternative to conventional scanners by operating at field strengths below 10 mT. At these fields, two sensor technologies compete: quantum SQUID (Superconducting Quantum Interference Device) sensors, which provide high sensitivity but require cryogenic cooling, and classical induction coils, which are inexpensive and room-temperature but produce weaker signals. With conventional physics-based imaging, both suffer from low signal-to-noise ratios (SNR). Data-driven reconstruction has overcome similar limits in related inverse problems, but its use for ULF-MRI has been hindered by a lack of open datasets, benchmarks, and flexible simulators. To close this gap, we present OpenULF, a modular, open-source simulation toolkit that generates paired training data and supports end-to-end machine-learning (ML) reconstruction. OpenULF integrates a Bloch-equation-validated physics simulator, calibrated SQUID and coil receiver models, reconstruction ML networks, and an automated design-space exploration engine. Architecturally, a receiver abstract base class, a typed HDF5 contract that decouples physics from learning, and a resumable sweep engine make sensors, models, and datasets independently substitutable. Using OpenULF, we train 774 models across four anatomical datasets and conduct three design-space explorations. The effectiveness of ML reconstruction depends strongly on the dataset and the sensor. We identify a SQUID-to-coil crossover near 450 $μ$T and demonstrate that sensor hardware and ML model capacity can be traded off during system design. Sensor and reconstruction choices must therefore be co-designed: the best sensor is set by the dataset and field strength, not by SNR.
- Abstract（参考訳）: Ultra-low-field (ULF) Magnetic Resonance Imaging (MRI)は10mT以下の磁場強度で動作することで従来のスキャナーに代わるポータブルで安価な代替手段を提供する。これらの分野では、高感度で低温冷却を必要とする量子SQUID(Superconducting Quantum Interference Device)センサーと、安価で室温だが弱い信号を生成する古典誘導コイルの2つのセンサー技術が競合する。
従来の物理に基づくイメージングでは、どちらも低信号対雑音比(SNR)に悩まされている。
データ駆動型再構成は、関連する逆問題において同様の制限を克服してきたが、ULF-MRIの使用は、オープンデータセット、ベンチマーク、フレキシブルシミュレータの欠如によって妨げられている。
このギャップを埋めるために、OpenULFはオープンソースのシミュレーションツールキットで、ペア化されたトレーニングデータを生成し、エンドツーエンドの機械学習(ML)再構築をサポートする。
OpenULFはBloch-equation-validated Physics simulator、キャリブレーションSQUIDとコイルレシーバーモデル、再構成MLネットワーク、自動設計空間探索エンジンを統合している。
アーキテクチャ的には、レシーバ抽象ベースクラス、学習から物理を分離するタイプ付きHDF5コントラクト、再利用可能なスイープエンジンは、センサー、モデル、データセットを独立して置換可能である。
OpenULFを使って、4つの解剖学的データセットに774のモデルをトレーニングし、3つの設計空間探索を実行します。
ML再構成の有効性はデータセットとセンサに強く依存する。
450ドル近いSQUID-to-coilクロスオーバーを同定し,センサハードウェアとMLモデルの容量をシステム設計中に交換できることを実証する。
したがって、センサと再構成の選択は、SNRではなくデータセットとフィールド強度によって設定される。
関連論文リスト
- SensOFormer: Foundation Models for Particle Accelerators [46.568487965999225]
SensOFormerはPerceiverスタイルのエンコーダ・デコーダアーキテクチャで、可変センサーセットを扱うように設計されている。
本稿では,Perceiver-style encoder-decoderアーキテクチャで可変センサ集合を処理可能なデノナイズ変換器であるSensOFormerを紹介する。
このモデルは、複数の粒子加速器データセットに事前トレーニングされ、インプット、異常検出、空洞識別、障害識別を含む下流タスクに転送される。
論文 参考訳（メタデータ） (2026-11-01T16:25:32Z) - Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。
相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。
まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
論文 参考訳（メタデータ） (2026-07-13T14:03:26Z) - Transformer-based Multisensor Data Fusion of Ultrasonic Guided Wave and FBG-based Strain Measurements for Multitask Aerospace Structural Health Monitoring [5.884291793763452]
本稿では、圧電トランスデューサ(PZT)からのマルチセンサデータストリームを統合するTransformerベースのデータ融合フレームワークを提案する。
注意機構の可視化により、提案フレームワークは、健康指標(HI)予測とダメージローカライゼーションの両方に対して、透過的でマルチタスクな学習を可能にする。
論文 参考訳（メタデータ） (2026-06-24T13:47:27Z) - ULF-Synth: Physics-Guided Ultra-Low-Field MRI Enhancement for Pediatric Neuroimaging [11.389464090273849]
Ultra-low-field (ULF) MRIは、ポータブルでアクセス可能なニューロイメージングを提供するが、信号対雑音比の低下と空間分解能の制限に悩まされている。
ULF-Synthは,HFボリュームからのリアルなULF画像の取得に基づく合成と,大規模なペアリングトレーニングデータの作成を組み合わせたフレームワークである。
合成データに特化して訓練すると、得られたモデルは64mT ULFの実際の取得に効果的に一般化される。
論文 参考訳（メタデータ） (2026-05-23T15:33:44Z) - XTransfer: Modality-Agnostic Few-Shot Model Transfer for Human Sensing at the Edge [45.430391851892274]
XTransferは、資源効率の高い設計で、モダリティに依存しない、少数ショットのモデル転送を可能にする第一種方式である。
最先端のパフォーマンスを実現し、センサデータ収集やモデルトレーニング、エッジデプロイメントのコストを大幅に削減する。
論文 参考訳（メタデータ） (2025-06-28T02:14:43Z) - Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。
マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。
その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
論文 参考訳（メタデータ） (2025-04-07T15:38:25Z) - A Lightweight Human Pose Estimation Approach for Edge Computing-Enabled Metaverse with Compressive Sensing [23.884862152830184]
5G/6Gネットワークのようなエッジコンピューティング対応ネットワーク上のユーザの3D動作を推定する能力は、拡張現実(XR)とメタバースアプリケーションの新しい時代の重要な実現要因である。
近年の深層学習の進歩は,センサ信号からの予備的な計測から3次元人のポーズを推定する最適化手法よりも有利であることが示されている。
ノイズの多い無線環境におけるIMU信号の冗長性除去と軽量伝送のための新しい手法を提案する。
論文 参考訳（メタデータ） (2024-08-26T02:57:23Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - Toward smart composites: small-scale, untethered prediction and control
for soft sensor/actuator systems [0.6465251961564604]
組込みマイクロコントローラユニット(MCU)を用いたセンサ/アクチュエータシステムのモデル予測制御のためのアルゴリズムとツールについて述べる。
これらのMCUはセンサーやアクチュエータと組み合わせることで、自律的な動作が可能な新しいタイプのスマートコンポジットを可能にする。
オンラインNewton-Raphson最適化は制御入力を最適化する。
論文 参考訳（メタデータ） (2022-05-22T22:19:09Z) - A reconfigurable neural network ASIC for detector front-end data
compression at the HL-LHC [0.40690419770123604]
ニューラルネットワークのオートエンコーダモデルを放射線耐性ASICに実装して、損失のあるデータ圧縮を行うことができる。
これは、粒子物理学アプリケーション用に設計されたニューラルネットワークの耐放射線性オンディテクタASIC実装である。
論文 参考訳（メタデータ） (2021-05-04T18:06:23Z) - Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。
MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。
本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
論文 参考訳（メタデータ） (2020-02-17T19:06:05Z)
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。