PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.24732v1cs.CV

GraphSVR: 확산 MRI를 위한 q-공간 인지 그래프 기반 슬라이스-볼륨 정합

GraphSVR: q-Space--Aware Graph-Based Slice-to-Volume Registration for Diffusion MRI

확산강조영상(DWI)은 특히 시간 효율적인 프로토콜과 움직임이 발생하기 쉬운 피험자 집단에서 피험자의 움직임에 매우 취약합니다. 슬라이스-볼륨 정합(SVR)이 슬라이스 간 및 스택 간 불일치를 완화할 수 있지만, 확산 MRI는 확산 방향에 따른 대조도와 수십 개의 측정값을 공통 기준 좌표계 내에 정렬해야 하는 요구사항으로 인해 추가적인 복잡성을 유발하며, 실질적으로 4D 정합 문제를 낳습니다. 기존 접근 방식은 주로 순차적 모델링이나 쌍별 유사도에 의존하며, 희소한 그래디언트 샘플링이나 심한 움직임 환경에서 종종 성능이 저하됩니다. 본 연구에서는 DWI의 4D SVR 정합을 위한 q-공간 인지 그래프 기반 프레임워크인 GraphSVR을 소개합니다. GraphSVR은 획득 구조화된 그래프에서 슬라이스 그룹을 노드로 표현하며, 에지는 시간적 근접성, 공간적 슬라이스 기하구조, 확산 인코딩 관계를 인코딩합니다. 그래프 신경망은 전역적으로 일관된 스택 단위 강체 운동을 예측하며, 쌍을 이루는 정답 움직임 없이 해부학적 참조 영상만을 사용하여 자기지도, 제로샷(zero-shot) 방식으로 최적화됩니다. 제어 가능한 움직임 심각도와 그래디언트 희소성을 갖는 실제 획득 기반의 사실적인 재조합 시뮬레이션 및 완전 합성 확산 시뮬레이션 모두를 사용하여 GraphSVR을 평가합니다. 성능은 알려진 정답 변환 대비 그리드 오차(mm) 및 회전 오차를 사용하여 정량화됩니다. 심각한 움직임 하에서 GraphSVR은 표준 DWI 움직임 보정 방법인 FSL eddy에 비해 그리드 오차와 회전 오차를 73% 감소시키며, 가장 큰 개선 효과는 희소 방향 영역에서 관찰됩니다. 이러한 결과는 그래프 기반 추론을 통해 획득 구조를 명시적으로 모델링하는 것이 4D DWI 움직임 추정에서 견고성과 전역적 일관성을 향상시킨다는 점을 보여줍니다. 코드는 https://github.com/nogakertes/GraphSVR.git 에서 이용할 수 있습니다.

arXiv:2605.22121v2cs.CV

MotionDPS: 모션 보정 3D 뇌 MRI 재구성

MotionDPS: Motion-Compensated 3D Brain MRI Reconstruction

자기공명영상(MRI)은 비교적 긴 촬영 시간과 k-공간에서 데이터가 순차적으로 획득되는 특성으로 인해 환자의 움직임에 매우 취약하다. 작은 환자 움직임조차도 측정값 전반에 걸쳐 위상 불일치를 유발하여, 진단 품질을 저하시킬 수 있는 블러링, 고스팅, 기하학적 왜곡과 같은 심각한 아티팩트로 이어진다. 후향적 모션 보정은 결합된 재구성 및 모션 추정 문제의 비적정(ill-posed) 특성으로 인해, 특히 가속 촬영에서, 여전히 어려운 과제로 남아 있다. 본 연구에서는 모션에 오염된 k-공간 데이터로부터 직접 해부학적 영상, 강체 모션 파라미터, 코일 감도 맵을 공동으로 추정하는 모션 보정 3D MRI를 위한 통합 베이즈 프레임워크를 제안한다. 본 접근법은 사전학습된 3D 복소수값 스코어 기반 확산 모델을 물리 기반 순방향 모델 내에서 표현력 있는 해부학적 영상 사전(prior)으로 통합한다. 추론은 확산 사후 영상 업데이트와 모션 및 코일 감도 추정을 위한 효율적인 근접 최적화 단계를 교대로 수행함으로써 이루어지며, 이를 통해 쌍을 이루는 모션 없는 학습 데이터 없이도 완전 비지도 재구성이 가능하다. 시뮬레이션 및 실제 모션 뇌 MRI 데이터셋에 대한 실험에서, 제안된 방법이 특히 심한 모션과 높은 가속 인자가 존재하는 상황에서 최신 고전적 및 학습 기반 모션 보정 기법들에 비해 향상된 영상 품질과 모션 강건성을 달성함을 보여준다.