概要: 脳MRIの大規模自動形態計測解析は、日常の臨床実務で一般的に用いられる厚スライスかつ異方的な取得によって制限されています。既存の生成型超解像（SR）手法は、視覚的に魅力的な等方性ボリュームを生成することはありますが、解剖学的なハルシネーション（幻覚）、体系的な体積の過大評価、ならびに構造の歪みをしばしば引き起こし、下流の定量解析や診断の安全性を損ないます。これに対処するために、本研究ではCAHAL（Clinically Applicable resolution enHAncement for Low-resolution MRI scans：低解像度MRIスキャンのための臨床適用可能な解像度向上）を提案します。CAHALは、患者のネイティブな取得空間上で直接動作する、ハルシネーションに頑健な物理情報を取り込んだ解像度強化フレームワークです。CAHALは決定論的な二変量Mixture of Experts（MoE）アーキテクチャを採用し、各入力を、体積解像度および取得の異方性の両方に条件付けされた、専門の残差3D U-Netエキスパートへとルーティングします。ここでの2つの記述子は、臨床MRI取得における独立した指標です。エキスパートは、エッジにペナルティを課した空間再構成、フーリエ領域におけるスペクトル整合の一致、ならびにセグメンテーションに導かれた意味的一貫性制約を組み合わせた複合損失によって最適化されます。学習ペアは、大規模な実世界データベースからサンプリングした物理ベースの劣化をオンザフライで生成することで作成され、頑健な汎化が保証されます。生成ベースラインに対して、T1強調およびFLAIRシーケンスで検証したところ、CAHALは最先端の結果を達成し、精度および効率の観点で最も関連する手法群を上回ります。
CAHAL：低解像度MRIスキャン向けの臨床適用可能な解像度向上（resolution enhancement）
arXiv cs.CV / 2026/4/22
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 脳MRIの大規模な形態計測解析は、日常診療で一般的な厚いスライスと異方的（anisotropic）取得により制約され、下流の定量評価が損なわれる。
- 既存の生成型超解像（SR）では、見た目の品質は高くても、解剖学的ハルシネーションや体積の系統的過大評価、構造の歪みといった安全性を損ねうる問題が起きることがある。
- 提案手法CAHALは、ハルシネーションに頑健で、物理情報（physics-informed）を取り入れた解像度向上フレームワークとして、患者のネイティブな取得空間で直接動作する。
- CAHALは決定論的な二変量Mixture of Experts（MoE）を用い、入力を取得解像度と異方性の2つの記述子で条件付けして専門の残差3D U-Netエキスパートにルーティングし、空間再構成・フーリエ領域のスペクトル整合・セグメンテーション誘導の意味的一貫性を組み合わせた損失で学習する。
- T1強調およびFLAIR配列で検証した結果、生成ベースラインを上回る最先端性能を示し、精度と効率の両面で改善しつつ、定量的により安全な結果を目指している。
