論文の概要: Spatial and Temporal Super-Resolution and Denoising of Intracardiac 4D Flow MRI

• arxiv url: http://arxiv.org/abs/2611.04053v1
• Date: Mon, 02 Nov 2026 22:47:35 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:33:35.616362
• Title: Spatial and Temporal Super-Resolution and Denoising of Intracardiac 4D Flow MRI
• Title（参考訳）: 心内4次元フローMRIの空間的・時間的超解像とデノイング
• Abstract要約: 我々は,4次元フローMRIデータを超解凍・復号化するためのディープラーニング(DL)法である4D-MRAR(4D Magnetic Resonance Augmented Reconstruction)を提案する。 静的血管領域をトレーニングし,推測する従来のDL法とは異なり,本手法は心内血流を大変形時に予測する。 この方法は、残差畳み込みニューラルネットワーク、繰り返しニューラルネットワーク、暗黙のニューラルネットワークを組み合わせて、高分解能速度と圧力場を予測する。
• 参考スコア（独自算出の注目度）: 2.648975628497435
• License:
• Abstract: Intracardiac flow is driven by complex, and time-varying cardiac motion and interaction with the heart valves, producing complex flow features that may provide valuable information for disease diagnosis and treatment planning. 4D Flow MRI enables non-invasive, time-resolved measurement of three-dimensional cardiovascular velocity fields. However, substantial noise and limited spatial and temporal resolution limit its ability to accurately resolve flow features. We propose 4D-MRAR (4D Magnetic Resonance Augmented Reconstruction), a deep learning (DL) method to super-resolve and denoise 4D Flow MRI data. Unlike prior DL methods that train and infer on static vascular regions, our method predicts intracardiac flow within hearts undergoing large deformation. Moreover, it uniquely allows for simultaneous super-resolution in 3D space and time. The method combines a residual convolutional neural network, a recurrent neural network, and an implicit neural field to predict high-resolution velocity and pressure fields while efficiently enforcing the governing equations of fluid flow during training. Trained on a synthetic dataset obtained from computational fluid dynamics (CFD) simulations of left ventricle (LV) flow, our method generalizes to synthetic whole-heart 4D flow MRI data, and demonstrated promising performance on real 4D Flow MRI. The produced super-resolved flow fields exhibit significantly improved accuracy and greater consistency with the governing equations of blood flow compared with prior methods.
• Abstract（参考訳）: 心内血流は、複雑で経時的に変化する心臓運動と心臓弁との相互作用によって駆動され、疾患の診断や治療計画に有用な情報を提供する複雑な血流の特徴を生み出す。 4D Flow MRIは3次元心血管速度場の非侵襲的時間分解計測を可能にする。 しかし、かなりのノイズと空間的および時間的解像度の制限により、流れの特徴を正確に解決する能力は制限される。 我々は,4次元フローMRIデータを超解凍・復号化するためのディープラーニング(DL)法である4D-MRAR(4D Magnetic Resonance Augmented Reconstruction)を提案する。 静的血管領域をトレーニングし,推測する従来のDL法とは異なり,本手法は心内血流を大変形時に予測する。 さらに、3D空間と時間における同時超解像を可能にする。 この方法は、残留畳み込みニューラルネットワーク、リカレントニューラルネットワーク、暗黙のニューラルネットワークを組み合わせて、トレーニング中の流体流の制御方程式を効率的に実施しながら、高分解能速度と圧力場を予測する。 左室血流(LV)の計算流体力学(CFD)シミュレーションから得られた合成データセットに基づいて,本手法は全身4DフローMRIデータに一般化し,実際の4DフローMRIで有望な性能を示した。 生成した超解流場は, 従来法に比べて精度が向上し, 血流の制御式との整合性が向上した。

関連論文リスト

• X$^{2}$-Gaussian: 4D Radiative Gaussian Splatting for Continuous-time Tomographic Reconstruction [64.2059940799033]
  現在の方法では、時間分解能を呼吸ゲーティング装置で固定相に識別する。 新規なフレームワークであるX$2$-Gaussianは、動的放射スプラッティングと自己監督型呼吸運動学習を統合することで、連続的な4DCT再構成を可能にする。
  論文  参考訳（メタデータ） (2025-03-27T17:59:57Z)
• Deep learning for temporal super-resolution 4D Flow MRI [34.90138772411514]
  本研究の目的は,時間的超解像4D Flow MRIのための残像ネットワークの実装と評価である。 患者固有のシリコモデル由来の合成4次元フローMRIデータと、in-vivoデータセットを用いてトレーニングおよび試験を行った。 以上の結果から, 時空間超解像4次元フローMRIにおけるデータ駆動型ニューラルネットワークの有用性が示唆された。
  論文  参考訳（メタデータ） (2025-01-15T13:01:47Z)
• 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)
• Neural Fields for Continuous Periodic Motion Estimation in 4D Cardiovascular Imaging [1.1786989970743633]
  時間分解型3次元フローMRI(4D Flow MRI)は、大動脈弓などの血管の血行動態を可視化し定量化するための、ユニークな非侵襲的なソリューションを提供する。 動脈4DフローMRIのほとんどの解析法は, フルサイクルセグメンテーションが難しいため, 静的動脈壁を用いている。 心臓周期を通して連続的な周期的な壁の変形を直接推定する神経磁場に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-07-30T10:50:51Z)
• Implicit neural representations for unsupervised super-resolution and denoising of 4D flow MRI [1.207455285737927]
  大動脈内3方向速度の時間変化に対するSIRENの4次元フローMRIによる検討を行った。 本手法をボクセル座標で訓練し, 合成計測と実際の4次元フローMRIによるアプローチをベンチマークした。 我々の最適化されたSIRENアーキテクチャは最先端技術より優れており、臨床データから解離・超解離速度場を生成する。
  論文  参考訳（メタデータ） (2023-02-24T08:42:04Z)
• Non-invasive hemodynamic analysis for aortic regurgitation using computational fluid dynamics and deep learning [2.150638298922378]
  心臓血管血行動態の変化は大動脈逆流(AR)の発生と密接に関連している 4次元(4次元)流磁気共鳴画像(MRI)を用いて非侵襲的に測定できる。 しかし、解像度の低さは、しばしば4次元フローMRIと複雑なAR血行動態の限界によって生じる。 これを解決するために、計算流体力学シミュレーションを合成された4次元フローMRIデータに変換し、様々なニューラルネットワークのトレーニングに使用した。
  論文  参考訳（メタデータ） (2021-11-23T05:19:42Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォーム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） (2021-07-16T12:56:09Z)
• 4DFlowNet: Super-Resolution 4D Flow MRI using Deep Learning and Computational Fluid Dynamics [0.0795451369160375]
  画像解像度の上昇は、特に異常な血流を持つ患者において、より正確で、血流のより良い評価を可能にする。 計算流体力学シミュレーションを用いて, 合成4次元フローMRIデータを生成する。 我々の新しい4DFlowNetネットワークは, この合成4Dフローデータをトレーニングし, 2。
  論文  参考訳（メタデータ） (2020-04-15T12:16:52Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)
• Microvascular Dynamics from 4D Microscopy Using Temporal Segmentation [81.30750944868142]
  経時的に脳血流量の変化を追跡でき, ピアル表面に向かって伝播する自発性動脈拡張を同定できる。 この新たなイメージング機能は、機能的磁気共鳴イメージング(fMRI)を基盤とした血行動態応答関数を特徴付けるための有望なステップである。
  論文  参考訳（メタデータ） (2020-01-14T22:55:03Z)

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。