論文の概要: Measure Before You Repair: An Explainable Agent for Blind Restoration of Multi-Artifact 3-D MRI

• arxiv url: http://arxiv.org/abs/2611.03996v1
• Date: Mon, 02 Nov 2026 21:37:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-11 09:54:00.733792
• Title: Measure Before You Repair: An Explainable Agent for Blind Restoration of Multi-Artifact 3-D MRI
• Title（参考訳）: 補修前測定:多要素3次元MRIのブラインド修復のための説明可能なエージェント
• Abstract要約: Dx-Rxは多モーダルな言語モデルで、修復前に疑わしい人工物を測定するエージェントである。 3次元MRIボリューム全体を復元する最初のエージェントであり、初期のMRIエージェントは2次元スライスを復元する。 5つのMLLMで最高のDx-Rxは平均64.5%を取り除き、同じツールの64.6%とほぼ一致した。
• 参考スコア（独自算出の注目度）: 0.29360071145551064
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A brain MRI scan can carry an unknown mix of artifacts, so restoration has to be blind, yet most deep-learning methods are built to correct one known artifact. We present Dx-Rx, an agent in which a multimodal large language model (MLLM) measures suspected artifacts before it repairs them. To our knowledge, it is the first agent to restore whole 3-D MRI volumes, whereas earlier MRI agents restore 2-D slices. In a loop, it looks at slices of the 3-D volume, calls five diagnostic tools (noise, spike, ghosting, bias field, motion) and four restoration tools in any order it chooses, checks each repair, can return to any earlier version to change the order, and ends with a radiology-style report of its diagnostic reasons, the repairs it applied and their results. We simulated up to five artifacts on 148 whole 3-D T1-weighted volumes, at levels calibrated to radiologists' grades of real scans. An MLLM that only looked at the image, as earlier MRI agents do, removed at most 19.7 % of the artifact error. With the best of five MLLMs, Dx-Rx removed a mean 64.5 %, nearly matching the 64.6 % of the same tools given the ground-truth artifacts, which are never known for a clinical scan. With all five models, it made no volume worse and was on par with or better than an expert rule-based pipeline built from the same tools (62.3 %). Code and demo are public at https://itu-biai.github.io/measure-before-you-repair.
• Abstract（参考訳）: 脳MRIスキャンは未知のアーティファクトの混合物を運ぶことができるため、修復は盲目である必要があるが、ほとんどのディープラーニング手法は、既知のアーティファクトの修正のために構築されている。 Dx-Rxはマルチモーダル大言語モデル(MLLM)が修復前に疑わしい人工物を測定するエージェントである。 我々の知る限り、3次元MRIボリューム全体を復元する最初のエージェントであり、初期のMRIエージェントは2次元スライスを復元する。 ループで3Dボリュームのスライスを見て、5つの診断ツール(ノイズ、スパイク、ゴースト、バイアスフィールド、動き)と4つの修復ツールを選択できる。 実験では,3次元T1重み付き128巻の人工物5点を,放射線技師の実際のスキャン値に準じて測定した。 以前のMRIエージェントのように画像のみを見るMLLMは、アーティファクトエラーの少なくとも19.7%を除去した。 5つのMLLMで最高のDx-Rxは平均64.5%を除去した。 5つのモデル全てで、ボリュームは悪くなく、同じツール(62.3%)で構築された専門家のルールベースのパイプラインと同等かそれ以上であった。 コードとデモはhttps://itu-biai.github.io/measure-before-you-repair.comで公開されている。

関連論文リスト

• You Cannot Recover What Was Never Measured: Quantifying the Information Ceiling of Ultra-Low-Field MRI Super-Resolution [1.9573380763700712]
  次世代の超高解像度モデルでは、ポータブルな64mT MRIを3Tスキャンのような画像に変換することができる。 実際のローフィールドスキャンの被検体に関する情報が実際にどの程度含まれているかを測定する。 脳全体で判断すると、実際の64mTスキャンは、平面で約3mmから4mmのハーフピッチしか持たない個人特有の構造を持っていることがわかった。
  論文  参考訳（メタデータ） (2026-09-29T06:46:38Z)
• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• X-Diffusion: Generating Detailed 3D MRI Volumes From a Single Image Using Cross-Sectional Diffusion Models [9.97747208739885]
  X-拡散(X-Diffusion)は、空間領域入力から詳細な3次元MRIボリュームを再構成する新しい断面積拡散モデルである。 X-Diffusionの重要な側面は、MRIデータを横断的なトレーニングと推論の間、全体的な3Dボリュームとしてモデル化することである。 以上の結果から,X-Diffusionは定量精度(PSNR)に優れるだけでなく,重要な解剖学的特徴を保っていることが示唆された。
  論文  参考訳（メタデータ） (2024-04-30T14:53:07Z)
• M3D: Advancing 3D Medical Image Analysis with Multi-Modal Large Language Models [49.5030774873328]
  これまでの研究は主に2Dの医療画像に焦点を合わせてきた。 120K画像テキスト対と62K命令応答対からなる大規模3次元マルチモーダル医療データセットM3D-Dataを提案する。 また,新しい3次元マルチモーダル・メディカル・ベンチマークであるM3D-Benchを導入し,8つのタスクにまたがる自動評価を容易にする。
  論文  参考訳（メタデータ） (2024-03-31T06:55:12Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• Wide Range MRI Artifact Removal with Transformers [1.1305386767685186]
  磁気共鳴スキャンの成果は、放射線科医やコンピュータ支援診断システムにとって深刻な課題である。 そこで本研究では,原画像から8つの共通アーティファクトを遡及的に除去する手法を提案する。 提案手法は,Swin変換器によるEmphウインドウ中心アプローチを一般化した,新しいトランスベースニューラルネットワークの設計により実現された。
  論文  参考訳（メタデータ） (2022-10-14T17:16:03Z)
• Moving from 2D to 3D: volumetric medical image classification for rectal cancer staging [62.346649719614]
  術前T2期とT3期を区別することは直腸癌治療における最も困難かつ臨床的に重要な課題である。 直腸MRIでT3期直腸癌からT2を正確に判別するための体積畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-13T07:10:14Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)

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。