要旨: 高度に加速された非カルテシアン取得プロトコルはスキャン時間を大幅に短縮しますが、しばしば長い再構成待ち（リコンストラクション遅延）を伴います。深層学習に基づく再構成手法はこれを緩和できますが、分布シフトに対する安定性や頑健性が欠けることがしばしばあります。そこで代替として、回転不変の弱凸リッジ正則化器（WCRR）を学習します。得られた変分再構成アプローチを、遡及的にシミュレートしたデータにおいて最先端手法とベンチマークするとともに、（分布外で）前向きに取得されたGoLF SPARKLINGおよびCAIPIRINHAのデータでも検証します。我々のアプローチは一貫して広く用いられているベースラインを上回り、最先端の3D DRUNetデノイザを用いるPlug and Play再構成と同等の性能を達成します。その一方で、計算効率と、取得条件の変化に対する頑健性が大幅に向上しています。要約すると、WCRRは、原理に基づく変分手法と、現代的な深層学習ベースのアプローチの強みを統合します。
3D非直交MRI再構成のための弱凸リッジ正則化（WCRR）
arXiv cs.CV / 2026/3/31
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文は、回転不変な弱凸リッジ正則化器（WCRR）を提案し、高度に加速された3D非直交MRIにおける深層／変分再構成を安定化する。古典的手法では長い遅延が生じることが多い。
- WCRRを学習し、それを変分再構成フレームワークに統合する。後向きのシミュレーションによるベンチマークで、最先端手法との比較結果を報告する。
- 本手法は、取得条件の変化に対する頑健性に焦点を当て、前向きのGoLF SPARKLINGおよびCAIPIRINHAの取得データにより分布外評価も行う。
- 結果として、WCRRに基づく再構成は一般的なベースラインを一貫して上回り、最先端の3D DRUNetデノイザを用いたPlug-and-Playアプローチと同等の性能を示す。
- 著者らは、計算効率と頑健性の向上を強調し、WCRRを、原理に基づく変分MRIと現代的な深層学習デノイザの強みを組み合わせる手段として位置づけている。
