論文の概要: Physics-based simulation unlocks scaling laws for generalizable MRI reconstruction
- arxiv url: http://arxiv.org/abs/2611.15758v1
- Date: Wed, 11 Nov 2026 17:36:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.205743
- Title: Physics-based simulation unlocks scaling laws for generalizable MRI reconstruction
- Title(参考訳): 一般化可能なMRI再構成のための物理シミュレーションによるスケーリング法則の解法
- Abstract要約: スケーラブル逆モデル(SIM)は、物理シミュレーショントレーニングデータ、モデルアーキテクチャ、学習パラダイムを共同設計するフレームワークである。
SIMは堅牢なゼロショットの一般化性を示し、微細な解剖学的詳細を回復し、アーティファクトのエイリアスを抑える。
SIMは、ユニバーサルMRI再構成のためのスケーラブルでプライバシ保護され、民主化されたインフラを確立する。
- 参考スコア(独自算出の注目度): 26.81932172826311
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep-learning-based magnetic resonance imaging (MRI) reconstruction holds great promise for accelerating acquisitions, yet its clinical translation remains bottlenecked by poor generalizability across unseen scanners, populations, anatomies, and protocols. Gathering sufficiently diverse clinical datasets to overcome this bottleneck is hindered by high acquisition costs, privacy restrictions, and institutional biases. Here, we introduce Scalable Inverse Model (SIM), a framework that systematically co-designs physics-simulated training data, model architecture, and learning paradigms around scalability--leveraging compute scaling to overcome historical data bottlenecks and achieve robust zero-shot MRI reconstruction. Across 14 public and in-house datasets--spanning seven international centers, five vendors, field strengths of 0.3-7 T, over ten anatomical regions, more than ten acquisition protocols, downstream quantitative and molecular tasks, and a 150-scan blinded radiologist study--SIM demonstrates robust zero-shot generalizability, recovering fine anatomical details while suppressing aliasing artifacts where conventional deep-learning methods fail. Attention-map analyses confirm that SIM learns physically explainable, dynamically adaptive reconstruction primitives rather than anatomy-specific priors. SIM establishes a scalable, privacy-preserving, and democratized infrastructure for universal MRI reconstruction, providing a blueprint for generalizable AI across inverse problems in medical imaging.
- Abstract(参考訳): Deep-learning-based magnetic resonance imaging (MRI) の再構築は、買収を加速させる大きな可能性を秘めているが、その臨床翻訳は、目に見えないスキャナー、集団、解剖学、プロトコル間の一般化性の欠如によってボトルネックになっている。
このボトルネックを克服するために十分な多様な臨床データセットを集めることは、高い取得コスト、プライバシー制限、制度上のバイアスによって妨げられる。
本稿では,物理シミュレーションによるトレーニングデータ,モデルアーキテクチャ,拡張性に関する学習パラダイムを体系的に共同設計するフレームワークであるScalable Inverse Model(SIM)を紹介し,過去のデータボトルネックを克服し,堅牢なゼロショットMRI再構成を実現する。
7つの国際センター、5つのベンダー、0.3-7Tのフィールド強度、10以上の解剖学的領域、10以上の取得プロトコル、下流の量的および分子的タスク、150の盲目放射線学者の研究などを含む14のパブリックおよび社内データセットが、堅牢なゼロショットの一般化性を示し、従来のディープラーニング手法が失敗するアーティファクトのエイリアス化を抑えながら、微細な解剖学的詳細を回復する。
注意マップ解析により、SIMは解剖学固有の先行よりも、物理的に説明可能な動的適応的再構成プリミティブを学習することを確認した。
SIMは、普遍的なMRI再構成のためのスケーラブルでプライバシー保護され、民主化されたインフラを確立し、医療画像における逆問題にまたがる一般化可能なAIの青写真を提供する。
関連論文リスト
- A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。
PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。
これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
論文 参考訳(メタデータ) (2026-05-29T07:26:35Z) - VesselSim: learning 3D blood vessel segmentation without expert annotations [7.634402582162916]
ユニバーサル3D血管セグメンテーションのための2段階フレームワークである VesselSim を提案する。
3D U-Netは、合成データのみに基づいて訓練され、16,500の解剖学的に妥当な3D血管造影ボリュームを生成する。
VesselSimは最先端のセグメンテーション基盤モデルと競合するパフォーマンスを実現している。
論文 参考訳(メタデータ) (2026-05-25T19:04:18Z) - Single-Subject Multi-View MRI Super-Resolution via Implicit Neural Representations [4.471119405879635]
SIMS-MRI(Single-Subject Implicit Multi-View Super-Resolution for MRI)を紹介する。
SIMS-MRIは、前処理や後処理を必要とせず、単一の患者からの異方性マルチビュースキャンのみで動作する。
提案手法は,複数解像度のハッシュ符号化された暗黙表現と学習されたビュー間アライメントを組み合わせることで,空間的に一貫した等方的再構成を生成する。
論文 参考訳(メタデータ) (2026-03-23T23:00:18Z) - Region-Aware Reconstruction Strategy for Pre-training fMRI Foundation Model [0.7771985426812056]
我々は,自己指導型事前訓練中に,意味的コヒーレントな脳領域を選択的にマスキングするためのROI誘導マスキング戦略を導入する。
本手法はADHDと診断された個人から健康的なコントロールを識別するための分類精度が4.23%向上したことを示す。
以上の結果から, モデル前訓練における解剖学的領域のマスキングは, 解釈可能性を高めるだけでなく, より堅牢で差別的な表現をもたらすことが示唆された。
論文 参考訳(メタデータ) (2025-11-01T08:12:00Z) - Adapting HFMCA to Graph Data: Self-Supervised Learning for Generalizable fMRI Representations [57.054499278843856]
機能的磁気共鳴画像(fMRI)解析は、データセットのサイズが限られ、研究間でのドメインの変動が原因で大きな課題に直面している。
コンピュータビジョンにインスパイアされた従来の自己教師付き学習手法は、正と負のサンプルペアに依存することが多い。
本稿では,最近開発された階層関数最大相関アルゴリズム(HFMCA)をグラフ構造fMRIデータに適用することを提案する。
論文 参考訳(メタデータ) (2025-10-05T12:35:01Z) - Towards a general-purpose foundation model for fMRI analysis [58.06455456423138]
我々は,4次元fMRIボリュームから学習し,多様なアプリケーション間で効率的な知識伝達を可能にするフレームワークであるNeuroSTORMを紹介する。
NeuroSTORMは、複数のセンターにまたがる5万人以上の被験者から5歳から100歳までの28.65万fMRIフレーム(→9000時間)で事前トレーニングされている。
年齢/性別予測、表現型予測、疾患診断、fMRI-to-image検索、タスクベースのfMRIの5つのタスクにおいて、既存の手法よりも優れています。
論文 参考訳(メタデータ) (2025-06-11T23:51:01Z) - ContextMRI: Enhancing Compressed Sensing MRI through Metadata Conditioning [51.26601171361753]
本稿では, 微細なメタデータを再構成プロセスに統合したMRI用テキスト条件拡散モデルであるContextMRIを提案する。
メタデータの忠実度はスライス位置やコントラストから患者年齢、性別、病理まで増加し、体系的に再構築性能が向上することを示す。
論文 参考訳(メタデータ) (2025-01-08T05:15:43Z) - One for Multiple: Physics-informed Synthetic Data Boosts Generalizable
Deep Learning for Fast MRI Reconstruction [20.84830225817378]
Deep Learning (DL)は、高速MRI画像再構成に有効であることが証明されているが、その広範な適用性は制限されている。
本稿では,高速MRIのための物理インフォームド・シンセティック・データ学習フレームワークPISFを提案する。
PISFは、訓練された1つのモデルを通して、マルチシナリオMRI再構成のための一般化されたDLを可能にすることで、画期的な成果を上げている。
論文 参考訳(メタデータ) (2023-07-25T03:11:24Z) - MA-RECON: Mask-aware deep-neural-network for robust fast MRI k-space
interpolation [3.0821115746307672]
低サンプリングkspaceデータからのMRI画像の高品質な再構成は、MRI取得時間を短縮し、時間分解能を向上するために重要である。
本稿では,マスク対応ディープニューラルネットワーク(DNN)アーキテクチャと関連するトレーニング手法であるMA-RECONを紹介する。
様々なアンダーサンプリングマスクで生成されたデータを活用して、アンダーサンプリングされたMRI再構成問題の一般化を刺激する。
論文 参考訳(メタデータ) (2022-08-31T15:57:38Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳(メタデータ) (2021-03-29T11:30:18Z)
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。