arXiv:2507.15487v3 Announce Type: replace-cross 
Abstract: Magnetic Resonance Imaging (MRI) sequences provide rich spatial and frequency domain information, which is crucial for accurate lesion classification in medical imaging. However, effectively integrating multi-sequence MRI data for robust 3D lesion classification remains a challenge. In this paper, we propose DeSamba (Decoupled Spectral Adaptive Network and Mamba-Based Model), a novel framework designed to extract decoupled representations and adaptively fuse spatial and spectral features for lesion classification. DeSamba introduces a Decoupled Representation Learning Module (DRLM) that decouples features from different MRI sequences through self-reconstruction and cross-reconstruction, and a Spectral Adaptive Modulation Block (SAMB) within the proposed SAMNet, enabling dynamic fusion of spectral and spatial information based on lesion characteristics. We evaluate DeSamba on two clinically relevant 3D datasets. On a six-class spinal metastasis dataset (n=1,448), DeSamba achieves 62.10% Top-1 accuracy, 63.62% F1-score, 87.71% AUC, and 93.55% Top-3 accuracy on an external validation set (n=372), outperforming all state-of-the-art (SOTA) baselines. On a spondylitis dataset (n=251) involving a challenging binary classification task, DeSamba achieves 70.00%/64.52% accuracy and 74.75/73.88 AUC on internal and external validation sets, respectively. Ablation studies demonstrate that both DRLM and SAMB significantly contribute to overall performance, with over 10% relative improvement compared to the baseline. Our results highlight the potential of DeSamba as a generalizable and effective solution for 3D lesion classification in multi-sequence medical imaging.

تقدم الورقة البحثية DeSamba، وهو إطار مبتكر لتصنيف الآفات في التصوير بالرنين المغناطيسي ثلاثي الأبعاد متعدد التسلسلات. يتناول التحدي المتمثل في دمج بيانات الرنين المغناطيسي المتنوعة من خلال تقديم وحدة تعلم تمثيل مفصول (DRLM) تفصل الميزات من تسلسلات مختلفة من خلال إعادة البناء الذاتي وإعادة البناء المتبادل. بالإضافة إلى ذلك، يتضمن الإطار كتلة تعديل طيفي تكيفي (SAMB) ضمن SAMNet، مما يسمح بالدمج الديناميكي للمعلومات المكانية والطيفية بناءً على خصائص الآفات. يتم تقييم DeSamba على مجموعتين من البيانات ثلاثية الأبعاد ذات الصلة السريرية.

El artículo presenta DeSamba, un marco novedoso para la clasificación de lesiones en IRM 3D de múltiples secuencias. Aborda el desafío de integrar datos diversos de IRM mediante la introducción de un Módulo de Aprendizaje de Representación Desacoplada (DRLM) que separa características de diferentes secuencias a través de auto-reconstrucción y reconstrucción cruzada. Además, el marco incluye un Bloque de Modulación Adaptativa Espectral (SAMB) dentro del SAMNet, lo que permite la fusión dinámica de información espacial y espectral adaptada a las características de las lesiones. La evaluación de …

Cet article présente DeSamba, un cadre novateur pour la classification des lésions par IRM 3D multi-séquence. Il aborde le défi d'intégrer des données IRM diverses en introduisant un module d'apprentissage de représentation découplée (DRLM) qui sépare les caractéristiques de différentes séquences par auto-reconstruction et reconstruction croisée. De plus, le cadre comprend un bloc de modulation adaptative spectrale (SAMB) au sein du SAMNet, permettant une fusion dynamique des informations spatiales et spectrales adaptées aux caractéristiques des lésions. L'évaluation de DeSamba est réalisée su…

The paper presents DeSamba, a novel framework for 3D multi-sequence MRI lesion classification. It addresses the challenge of integrating diverse MRI data by introducing a Decoupled Representation Learning Module (DRLM) that separates features from various sequences through self-reconstruction and cross-reconstruction. Additionally, the framework includes a Spectral Adaptive Modulation Block (SAMB) within the SAMNet, allowing for dynamic fusion of spatial and spectral information tailored to lesion characteristics. The evaluation of DeSamba is conducted on two clinically relevant 3D datasets.

DeSamba: Decoupled Spectral Adaptive Framework for 3D Multi-Sequence MRI Lesion Classification

arXiv:2511.18232v1 Announce Type: new 
Abstract: Magnetic Resonance Imaging (MRI) acquisitions require extensive scan times, limiting patient throughput and increasing susceptibility to motion artifacts. Accelerated parallel MRI techniques reduce acquisition time by undersampling k-space data, but require robust reconstruction methods to recover high-quality images. Traditional approaches like SENSE require both undersampled k-space data and pre-computed coil sensitivity maps. We propose an end-to-end deep learning framework that jointly estimates coil sensitivity maps and reconstructs images from only undersampled k-space measurements at 4x acceleration. Our two-module architecture consists of a Coil Sensitivity Map (CSM) estimation module and a U-Net-based MRI reconstruction module. We evaluate our method on multi-coil brain MRI data from 10 subjects with 8 echoes each, using 2x SENSE reconstructions as ground truth. Our approach produces visually smoother reconstructions compared to conventional SENSE output, achieving comparable visual quality despite lower PSNR/SSIM metrics. We identify key challenges including spatial misalignment between different acceleration factors and propose future directions for improved reconstruction quality.

تم اقتراح إطار جديد للتعلم العميق لتصوير الرنين المغناطيسي (MRI) يمكّن من إعادة البناء المتوازي من عمليات الاستحواذ المعجلة بمعدل 4x، مما يقلل بشكل كبير من أوقات المسح مع الحفاظ على جودة الصورة. تستخدم هذه الطريقة بنية ذات وحدتين تقدر خرائط حساسية الملف وتعيد بناء الصور من بيانات k-space غير المأخوذة بعين الاعتبار، مما يعالج قيود التقنيات التقليدية مثل SENSE.

Se ha propuesto un nuevo marco de aprendizaje profundo para la imagen por resonancia magnética (IRM) que permite la reconstrucción paralela a partir de adquisiciones aceleradas 4x, reduciendo significativamente los tiempos de escaneo mientras mantiene la calidad de la imagen. Este método utiliza una arquitectura de dos módulos que estima mapas de sensibilidad de bobinas y reconstruye imágenes a partir de datos k-space submuestreados, abordando las limitaciones de técnicas tradicionales como SENSE.

Un nouveau cadre d'apprentissage profond a été proposé pour l'imagerie par résonance magnétique (IRM) qui permet la reconstruction parallèle à partir d'acquisitions accélérées 4x, réduisant considérablement les temps de scan tout en maintenant la qualité de l'image. Cette méthode utilise une architecture à deux modules qui estime les cartes de sensibilité des bobines et reconstruit des images à partir de données k-space sous-échantillonnées, répondant aux limitations des techniques traditionnelles comme SENSE.

A new deep learning framework has been proposed for Magnetic Resonance Imaging (MRI) that enables parallel reconstruction from 4x accelerated acquisitions, significantly reducing scan times while maintaining image quality. This method utilizes a two-module architecture that estimates coil sensitivity maps and reconstructs images from undersampled k-space data, addressing the limitations of traditional techniques like SENSE.

Parallel qMRI Reconstruction from 4x Accelerated Acquisitions

arXiv:2511.17068v2 Announce Type: replace 
Abstract: Magnetic Resonance Imaging (MRI) plays a crucial role in brain disease diagnosis, but it is not always feasible for certain patients due to physical or clinical constraints. Recent studies attempt to synthesize MRI from Computed Tomography (CT) scans; however, low-dose protocols often result in highly sparse CT volumes with poor through-plane resolution, making accurate reconstruction of the full brain MRI volume particularly challenging. To address this, we propose ReBrain, a retrieval-augmented diffusion framework for brain MRI reconstruction. Given any 3D CT scan with limited slices, we first employ a Brownian Bridge Diffusion Model (BBDM) to synthesize MRI slices along the 2D dimension. Simultaneously, we retrieve structurally and pathologically similar CT slices from a comprehensive prior database via a fine-tuned retrieval model. These retrieved slices are used as references, incorporated through a ControlNet branch to guide the generation of intermediate MRI slices and ensure structural continuity. We further account for rare retrieval failures when the database lacks suitable references and apply spherical linear interpolation to provide supplementary guidance. Extensive experiments on SynthRAD2023 and BraTS demonstrate that ReBrain achieves state-of-the-art performance in cross-modal reconstruction under sparse conditions.

تم تقديم إطار عمل جديد يسمى ReBrain لإعادة بناء التصوير بالرنين المغناطيسي للدماغ من شرائح التصوير المقطعي المحوسب النادرة باستخدام نهج استرجاع معزز بالانتشار. تستخدم هذه الطريقة نموذج انتشار جسر براونيان لتوليد شرائح التصوير بالرنين المغناطيسي واسترجاع شرائح التصوير المقطعي المشابهة من قاعدة بيانات سابقة لتحسين دقة إعادة البناء. تعالج هذه الابتكارات التحديات التي تطرحها عمليات التصوير المقطعي المحوسب منخفضة الجرعة، والتي غالبًا ما تؤدي إلى دقة منخفضة وبيانات محدودة لتوليد التصوير بالرنين المغناطيسي.

Se ha introducido un nuevo marco llamado ReBrain para reconstruir la resonancia magnética (IRM) cerebral a partir de cortes de tomografía computarizada (CT) escasos mediante un enfoque de difusión aumentada por recuperación. Este método emplea un modelo de difusión de puente browniano para sintetizar cortes de IRM y recupera cortes de CT similares de una base de datos previa para mejorar la precisión de la reconstrucción. Esta innovación aborda los desafíos que presentan los escaneos de CT de baja dosis, que a menudo resultan en una resolución deficiente y datos limitados para la síntesis de I…

Un nouveau cadre nommé ReBrain a été introduit pour reconstruire l'IRM cérébrale à partir de coupes CT rares en utilisant une approche de diffusion augmentée par récupération. Cette méthode utilise un modèle de diffusion de pont brownien pour synthétiser des coupes IRM et récupère des coupes CT similaires à partir d'une base de données antérieure pour améliorer la précision de la reconstruction. Cette innovation répond aux défis posés par les scans CT à faible dose qui entraînent souvent une mauvaise résolution et des données limitées pour la synthèse IRM.

A new framework named ReBrain has been introduced for reconstructing brain MRI from sparse CT slices using a retrieval-augmented diffusion approach. This method employs a Brownian Bridge Diffusion Model to synthesize MRI slices and retrieves similar CT slices from a prior database to enhance reconstruction accuracy. This innovation addresses the challenges posed by low-dose CT scans that often result in poor resolution and limited data for MRI synthesis.

DeSamba: Decoupled Spectral Adaptive Framework for 3D Multi-Sequence MRI Lesion Classification

Was this article worth reading? Share it

LucidQuery AI

Supanote

MarsHub