RSFR: A Coarse-to-Fine Reconstruction Framework for Diffusion Tensor Cardiac MRI with Semantic-Aware Refinement

要約

心臓拡散テンソルイメージング（DTI）は、心筋細胞の配置に関するユニークな洞察を提供し、顕微鏡と巨視的な心臓機能のギャップを埋めます。
ただし、その臨床的有用性は、低い信号対雑音比、エイリアシングアーティファクト、正確な定量的忠実度の必要性など、技術的な課題によって制限されています。
これらの制限に対処するために、心臓拡散加重画像再構築のための新しいフレームワークであるRSFR（再構成、セグメンテーション、融合、洗練）を紹介します。
RSFRは、粗からファインまでの戦略を採用しており、セグメントのあらゆるモデルと堅牢なビジョンMAMBAベースの再構成バックボーンを介してゼロショットセマンティックプライアーを活用しています。
当社のフレームワークは、セマンティック機能を効果的に統合して、アーティファクトを緩和し、忠実度を高め、最先端の再構築品質と高いアンダーサンプリングレートの下での正確なDTパラメーター推定を実現します。
広範な実験とアブレーション研究は、既存の方法と比較してRSFRの優れた性能を示しており、その堅牢性、スケーラビリティ、および定量的心臓DTIにおける臨床翻訳の可能性を強調しています。

要約(オリジナル)

Cardiac diffusion tensor imaging (DTI) offers unique insights into cardiomyocyte arrangements, bridging the gap between microscopic and macroscopic cardiac function. However, its clinical utility is limited by technical challenges, including a low signal-to-noise ratio, aliasing artefacts, and the need for accurate quantitative fidelity. To address these limitations, we introduce RSFR (Reconstruction, Segmentation, Fusion & Refinement), a novel framework for cardiac diffusion-weighted image reconstruction. RSFR employs a coarse-to-fine strategy, leveraging zero-shot semantic priors via the Segment Anything Model and a robust Vision Mamba-based reconstruction backbone. Our framework integrates semantic features effectively to mitigate artefacts and enhance fidelity, achieving state-of-the-art reconstruction quality and accurate DT parameter estimation under high undersampling rates. Extensive experiments and ablation studies demonstrate the superior performance of RSFR compared to existing methods, highlighting its robustness, scalability, and potential for clinical translation in quantitative cardiac DTI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google