論文の概要: Prior-Guided Physics-Informed Deep Learning for Fast 4D MRI Reconstruction

• arxiv url: http://arxiv.org/abs/2611.01888v1
• Date: Sun, 01 Nov 2026 13:32:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-12 14:20:13.612117
• Title: Prior-Guided Physics-Informed Deep Learning for Fast 4D MRI Reconstruction
• Title（参考訳）: 高速4次元MRI再構成のための物理インフォームドディープラーニング
• Abstract要約: PGPI4MRは、60秒、30秒、または15秒のデータから16の呼吸フェーズを再構築し、それぞれ0.29～0.49秒のデータから1つの3Dボリュームを復元する。 自由呼吸型MRライナック(1.5T)と腹部3Tスキャン,大腿部CT(1.5T)の3つのデータセットから測定k-spaceにおけるPGPI4MRを評価した。 PGPI4MRはスキャン時間毎の4次元MRIのホールドアウト誤差が最も低く、第2スキャン後の16相は7.5-13秒であった。
• 参考スコア（独自算出の注目度）: 5.2311006542822485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background and purpose: We propose PGPI4MR (prior-guided, physics-informed 4D MRI reconstruction), a deep learning method that leverages information from other respiratory phases or a setup scan, the first 30 s of the same scan, to improve 4D MRI reconstruction without extra scan time. Materials and methods: PGPI4MR is an unrolled network that reconstructs 16 respiratory phases from 60, 30, or 15 s of data, and single 3D volumes, each from 0.29-0.49 s of data, using a setup-scan image. The networks were trained once, on other volunteers, and were not retrained for new volunteers. We evaluated PGPI4MR on measured k-space from three datasets: free-breathing MR-linac (1.5T) and abdominal (3T) scans, and thigh scans with cuff compression (1.5T). All methods, including comparative models, received identical samples and were scored similarly. Results: In vivo, PGPI4MR had the lowest held-out error for 4D MRI at every scan time, and its 16 phases were ready a median of 7.5-13 s after the scan on the 2 GPUs tested. Coupling the 16 respiratory phases reduced the error at 60 s by 9.1% compared with reconstructing each phase alone. For sub-second MRI, the error at 0.49 s was 15.5% lower than that of the best comparison method, classical reconstruction toward the same prior, and on the faster GPU, every 0.29 s window was acquired and reconstructed within 0.5 s. Without retraining, PGPI4MR matched the best methods on the 3T abdominal scans but not on the thigh scans; after retraining on thigh data, it reduced the held-out error by 6.6% relative to the best comparison method. Conclusion: Prior information allowed PGPI4MR to reconstruct 4D and sub-second MRI more accurately than compressed sensing and a published 4D network, within seconds and without extra scan time. This could support 4D MRI for treatment planning and 3D motion monitoring during MR-guided radiotherapy.
• Abstract（参考訳）: 背景と目的: PGPI4MR (prior-guided, Physics-informed 4D MRI reconstruction) は、他の呼吸相やセットアップスキャンの情報を活用する深層学習法であり、同じスキャンの最初の30秒は、余分なスキャン時間なしで4D MRI再構成を改善するためである。 PGPI4MR(英: PGPI4MR)は、60s、30s、または15sのデータから16の呼吸フェーズを再構築し、それぞれ0.29-0.49sのデータから1つの3Dボリュームをセットアップスキャン画像で再構成するネットワークである。 ネットワークは他のボランティアで一度訓練され、新しいボランティアのために再訓練されなかった。 自由呼吸型MRライナック(1.5T)と腹部3Tスキャン,大腿部CT(1.5T)の3つのデータセットから測定k-spaceにおけるPGPI4MRを評価した。 比較モデルを含むすべての手法は同一のサンプルを受け取り、同様にスコアが付けられた。 結果: in vivoでは, PGPI4MRはスキャン時間毎の4次元MRIのホールドアウト誤差が最も低く, その16相は2つのGPUのスキャン後に7.5-13秒の中央値の準備が整った。 16の呼吸相を結合することで、各相を再構成するよりも60秒の誤差を9.1%削減した。 サブ秒MRIでは、0.49 sでの誤差はベスト比較法よりも15.5%低く、従来と同等に再現され、より高速なGPUでは0.29 sのウィンドウが0.5 sで取得され、再構成された。 PGPI4MRは3T腹部スキャンでは最良値と一致したが,大腿スキャンでは一致せず,大腿データで再トレーニングすると,最良比較法と比較して留置誤差が6.6%減少した。 結論: PGPI4MRは圧縮されたセンシングや公開された4Dネットワークよりも正確に4Dおよびサブ秒MRIを数秒以内、スキャン時間なしで再構築することができた。 これは、MR誘導放射線治療中の治療計画と3Dモーションモニタリングのための4D MRIをサポートする可能性がある。

関連論文リスト

• Rendering Novel Views of MRI Using 3D Gaussian Splatting [54.6286495315908]
  3D Gaussian Splatting を用いて, スパース異方性MRIから画像再構成を行い, 臨床評価に関係する解剖学的に整合した画像面を採取, 描画した。 新しいビュープレーンは対象解剖の診断に最適であるが、元のMRIはそうではない。
  論文  参考訳（メタデータ） (2026-06-24T18:00:03Z)
• Evaluation of Machine Learning Reconstruction Techniques for Accelerated Brain MRI Scans [0.0]
  DeepFoqus-Accelerateは、75%のスキャン時間で堅牢な4倍の脳MRI加速を可能にする。 以上の結果から,DeepFoqus-Accelerateは,75%のスキャン時間で頑健な4倍の脳MRI加速を可能にした。
  論文  参考訳（メタデータ） (2025-09-08T20:20:24Z)
• 4DRGS: 4D Radiative Gaussian Splatting for Efficient 3D Vessel Reconstruction from Sparse-View Dynamic DSA Images [49.170407434313475]
  既存の手法は、しばしば最適以下の結果を生成するか、過剰な計算時間を必要とする。 高品質な高精細化を実現するため、4次元ガウススプラッティング(4DRGS)を提案する。 4DRGSは5分間のトレーニングで印象的な結果を得る。
  論文  参考訳（メタデータ） (2024-12-17T13:51:56Z)
• Paired Conditional Generative Adversarial Network for Highly Accelerated Liver 4D MRI [8.880834588879525]
  本研究では,4次元MRI再構成時間を短縮するReconstruct Paired Generative Adrial Network (Re-Con-GAN)を提案する。 ResNet9, UNet, Restructation Swin Transformerの3種類のネットワークがジェネレータとして探索された。 Re-Con-GANはCS/UNetモデルと比較してPSNR、SSIM、RMSEのスコアを一貫して達成した。
  論文  参考訳（メタデータ） (2024-05-20T20:14:23Z)
• Deep Learning-based Intraoperative MRI Reconstruction [0.0]
  深層学習(DL)モデルは,iMRIプロトコルのデータを模倣するために,高速MRIニューロデータセットを用いて訓練された。 従来の圧縮感 (CS) 法と訓練されたDL再構成法との比較検討を行った。 読影者1,2,3症例のうち,33/40例,39/40例,8例のCS再建に対して,DL再建は好意的あるいは好意的であった。
  論文  参考訳（メタデータ） (2024-01-23T13:57:50Z)
• Deep-learning-based acceleration of MRI for radiotherapy planning of pediatric patients with brain tumors [39.58317527488534]
  RT専用レシーバコイルアライメントで取得したアンダーサンプルデータからMRI再構成を行う深層学習法を開発した。 DeepMRIRecは、評価された最先端手法を超える構造的類似度スコアを4倍に削減した。
  論文  参考訳（メタデータ） (2023-11-22T16:01:44Z)
• Predicting 4D Liver MRI for MR-guided Interventions [2.9699476315275772]
  臓器の動きは、画像誘導の介入において未解決の課題となる。 視野が大きいリアルタイム高分解能4次元MRIのための新しい手法を提案する。 取得時間を2分に短縮した小さなトレーニングサイズでは,すでに有望な結果が得られていることを示す。
  論文  参考訳（メタデータ） (2022-02-25T11:34:25Z)
• A self-supervised learning strategy for postoperative brain cavity segmentation simulating resections [46.414990784180546]
  畳み込みニューラルネットワーク(CNN)は最先端の画像セグメンテーション技術である。 CNNはトレーニングに大量の注釈付きデータセットを必要とする。 自己教師型学習戦略は、トレーニングにラベルのないデータを活用することができる。
  論文  参考訳（メタデータ） (2021-05-24T12:27:06Z)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)
• 4D Deep Learning for Multiple Sclerosis Lesion Activity Segmentation [49.32653090178743]
  我々は,MRIボリュームの履歴を用いて,この問題をフル4次元ディープラーニングに拡張することで,性能が向上するかどうか検討する。 提案手法は, 病変側真陽性率0.84, 病変側偽陽性率0.19で従来手法より優れていた。
  論文  参考訳（メタデータ） (2020-04-20T11:41:01Z)

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。