論文の概要: Coarse-to-Fine 3D MRI Reconstruction via Resolution-Agnostic Neural Operators
- arxiv url: http://arxiv.org/abs/2611.14979v1
- Date: Wed, 11 Nov 2026 03:38:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.999894
- Title: Coarse-to-Fine 3D MRI Reconstruction via Resolution-Agnostic Neural Operators
- Title(参考訳): 分解能非依存型ニューラル演算子による粗3次元MRI再構成
- Abstract要約: KIR-NOは3次元MRI再構成を高速化するための分解能に依存しないフレームワークである。
低解像度ボリュームをフルバックプロパゲーションでトレーニングし、推論時にゼロショットを高解像度ボリュームに適用する。
SKM-TEAの4倍の加速で半分の解像度で2.2dBのPSNRで最先端の3D CNNよりも改善され、ゲインは8倍と16倍に持続する。
- 参考スコア(独自算出の注目度): 65.3553890415457
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep-learning-based 3D MRI reconstruction is limited in practice by the GPU memory and compute cost of full-volume training; 3D acquisitions are thus most often reconstructed by 2D models applied slice-by-slice and then stacked, which ignores through-plane (stacking-axis) structure. We reconstruct in full 3D and ask whether a model can be trained at low resolution (fast and memory-feasible) yet deployed at higher resolution. This coarse-to-fine strategy needs reliable cross-resolution performance, but standard networks are resolution-specific and degrade substantially when evaluated outside the training setting. We therefore use resolution-agnostic neural operators (NOs) and propose KIR-NO (k-space-to-Image Reconstruction Neural Operator), a discretization-agnostic framework for accelerated 3D MRI reconstruction. KIR-NO is trained with full backpropagation on low-resolution volumes and applied zero-shot to higher-resolution volumes at inference. Its core building block is a 3D neural operator based on discrete-continuous convolutions: convolutional filters are parameterized in a continuous basis and sampled at arbitrary voxel resolutions while preserving the local inductive bias of convolution. KIR-NO integrates these learned operators with physics-based consistency: a k-space neural-operator head first refines the undersampled Fourier measurements, and image-space neural-operator cascades then refine the reconstruction through interleaved data-consistency updates. Across 3D knee and brain MRI benchmarks, KIR-NO improves over classical and CNN baselines: it improves over a state-of-the-art 3D CNN by 2.2 dB PSNR at half resolution under 4x acceleration on SKM-TEA, with gains persisting at 8x and 16x. These results show that resolution-agnostic operators make coarse-to-fine 3D MRI reconstruction - cheap low-resolution training with high-resolution deployment - practical across anatomies.
- Abstract(参考訳): ディープラーニングベースの3D MRI再構成は、実際にはGPUメモリとフルボリュームトレーニングの計算コストによって制限されている。
完全3Dで再構築し、低解像度(高速かつメモリ対応)でモデルをトレーニングできるかどうかを問う。
この粗大な戦略は、信頼性の高いクロスレゾリューション性能を必要とするが、トレーニング設定外の評価では、標準ネットワークは分解能に特化しており、分解能は著しく低下する。
そこで我々は、分解能非依存型ニューラル演算子(NO)を用いて、3次元MRI再構成を高速化するための離散化非依存フレームワークであるKIR-NO(k-space-to- Image Reconstruction Neural Operator)を提案する。
KIR-NOは低解像度ボリュームの完全なバックプロパゲーションを訓練し、推論時にゼロショットを高解像度ボリュームに適用する。
畳み込みフィルタは連続的にパラメータ化され、任意のボクセル解像度でサンプリングされる。
k空間のニューラル演算子ヘッドは、まずアンサンプされたフーリエ測定を洗練し、画像空間のニューラル演算子カスケードは、インターリーブされたデータ一貫性更新によって再構成を洗練する。
3D膝と脳MRIベンチマーク全体で、KIR-NOは古典的およびCNNベースラインよりも改善され、SKM-TEAの4倍の加速で2.2dB PSNRで最先端の3D CNNよりも改善され、ゲインは8倍と16倍に持続する。
これらの結果から,高分解能展開による安価な低分解能トレーニングを解剖学的に実用的に行う3次元MRIの粗大化を実現することが示唆された。
関連論文リスト
- Unrolled Reconstruction with Integrated Super-Resolution for Accelerated 3D LGE MRI [0.07026564887314535]
本稿では,最適化ループの各イテレーションにおいて,EDSRネットワークを演算子に置き換えるハイブリッドアンロール型再構成フレームワークを提案する。
そこで提案手法は,PSNR と SSIM を標準的アンロール型再構成よりも常に改良する。
これらの結果から, 3次元LGE MRIでは, 超高分解能前兆を直接モデルベース再構成に組み込むことで, 測定精度が向上することが示唆された。
論文 参考訳(メタデータ) (2026-03-18T21:48:48Z) - Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。
本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。
CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
論文 参考訳(メタデータ) (2025-12-13T08:31:46Z) - Fast and Explicit: Slice-to-Volume Reconstruction via 3D Gaussian Primitives with Analytic Point Spread Function Modeling [16.058575857567373]
脳の高分解能3D再構成は、運動崩壊した低分解能2D取得から、正確な神経発達診断の必要条件である。
本研究では,ニューラルネットワークに基づく表現から明示的な表現へのシフトを提案する。
本研究の枠組みは, リアルタイム3次元MRIの臨床的ルーチンへの転換の道筋をたどるものである。
論文 参考訳(メタデータ) (2025-12-12T15:01:30Z) - SUFFICIENT: A scan-specific unsupervised deep learning framework for high-resolution 3D isotropic fetal brain MRI reconstruction [7.268308489093152]
等方性HR容積再構成のための教師なし反復SVR-SRRフレームワークを提案する。
高分解能(HR)ボリュームを生成するために、ディープイメージ事前フレームワーク内に埋め込まれたデコードネットワークを包括的画像劣化モデルに組み込む。
大規模動乱シミュレーションデータと臨床データを用いて行った実験は,提案手法の優れた性能を示す。
論文 参考訳(メタデータ) (2025-05-23T04:53:59Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。
我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
論文 参考訳(メタデータ) (2024-10-05T20:03:57Z) - R$^2$-Gaussian: Rectifying Radiative Gaussian Splatting for Tomographic Reconstruction [53.19869886963333]
3次元ガウススプラッティング(3DGS)は画像のレンダリングと表面再構成において有望な結果を示した。
本稿では,Sparse-viewトモグラフィ再構成のための3DGSベースのフレームワークであるR2$-Gaussianを紹介する。
論文 参考訳(メタデータ) (2024-05-31T08:39:02Z) - Neural Poisson Surface Reconstruction: Resolution-Agnostic Shape
Reconstruction from Point Clouds [53.02191521770926]
我々は,3次元形状を点から復元するという課題に対処する形状再構成アーキテクチャであるニューラルポアソン表面再構成(nPSR)を導入する。
nPSRには2つの大きな利点がある: まず、高分解能評価において同等の性能を達成しつつ、低分解能データの効率的なトレーニングを可能にする。
全体として、ニューラル・ポアソン表面の再構成は、形状再構成における古典的なディープニューラルネットワークの限界を改良するだけでなく、再構築品質、走行時間、分解能非依存の観点からも優れた結果が得られる。
論文 参考訳(メタデータ) (2023-08-03T13:56:07Z) - GLEAM: Greedy Learning for Large-Scale Accelerated MRI Reconstruction [50.248694764703714]
アンロールされたニューラルネットワークは、最近最先端の加速MRI再構成を達成した。
これらのネットワークは、物理ベースの一貫性とニューラルネットワークベースの正規化を交互に組み合わせることで、反復最適化アルゴリズムをアンロールする。
我々は,高次元画像設定のための効率的なトレーニング戦略である加速度MRI再構成のためのグレディ・ラーニングを提案する。
論文 参考訳(メタデータ) (2022-07-18T06:01:29Z)
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。