arXiv:2510.26022v1 Announce Type: cross 
Abstract: Multiparametric mapping MRI has become a viable tool for myocardial tissue characterization. However, misalignment between multiparametric maps makes pixel-wise analysis challenging. To address this challenge, we developed a generalizable physics-informed deep-learning model using test-time adaptation to enable group image registration across contrast weighted images acquired from multiple physical models (e.g., a T1 mapping model and T2 mapping model). The physics-informed adaptation utilized the synthetic images from specific physics model as registration reference, allows for transductive learning for various tissue contrast. We validated the model in healthy volunteers with various MRI sequences, demonstrating its improvement for multi-modal registration with a wide range of image contrast variability.

تقدم دراسة جديدة نموذج تعلم عميق مستند إلى الفيزياء يعزز التصوير بالرنين المغناطيسي القلبي متعدد المعلمات من خلال معالجة تحديات عدم المحاذاة في التحليل على مستوى البكسل. هذه الخطوة مهمة لأنها تسمح بتحسين توصيف الأنسجة القلبية، مما يمكن أن يؤدي إلى تشخيص وعلاج أفضل لحالات القلب. من خلال تمكين تسجيل الصور الجماعية عبر صور متعددة الوزن بالتصوير، يمثل هذا النموذج خطوة واعدة إلى الأمام في تكنولوجيا التصوير الطبي.

Un nuevo estudio presenta un modelo de aprendizaje profundo informado por la física que mejora la resonancia magnética cardíaca multiparamétrica al abordar los desafíos de desalineación en el análisis pixel por pixel. Este avance es significativo, ya que permite una mejor caracterización del tejido miocárdico, lo que puede conducir a un mejor diagnóstico y tratamiento de las afecciones cardíacas. Al permitir el registro de imágenes de grupo a través de varias imágenes ponderadas por contraste, este modelo representa un paso prometedor en la tecnología de imágenes médicas.

Une nouvelle étude présente un modèle d'apprentissage profond informé par la physique qui améliore l'IRM cardiaque multiparamétrique en s'attaquant aux défis de désalignement dans l'analyse pixel par pixel. Cette avancée est importante car elle permet une meilleure caractérisation des tissus myocardiques, ce qui peut conduire à un meilleur diagnostic et traitement des maladies cardiaques. En permettant l'enregistrement d'images de groupe à travers diverses images pondérées par contraste, ce modèle représente une avancée prometteuse dans la technologie d'imagerie médicale.

A new study introduces a physics-informed deep-learning model that enhances multiparametric cardiac MRI by addressing the challenges of misalignment in pixel-wise analysis. This advancement is significant as it allows for improved myocardial tissue characterization, which can lead to better diagnosis and treatment of heart conditions. By enabling group image registration across various contrast-weighted images, this model represents a promising step forward in medical imaging technology.

Groupwise Registration with Physics-Informed Test-Time Adaptation on Multi-parametric Cardiac MRI

Was this article worth reading? Share it

LucidQuery AI

Attentive AI

Hypertune

Twofold Health

Brainactive

Octofy

Ready to build your own newsroom?