Accelerating Stroke MRI With Diffusion Probabilistic Models Through Large‐Scale Pre‐Training and Target‐Specific Fine‐Tuning
Beschleunigte Schlaganfall-MRT mit Diffusion Probabilistic Models durch großskaliges Pre-Training und zielgerichtetes Fine-Tuning
Magnetic Resonance in Medicine · 2026-11 · 96 (5) · 2396-2411
DOI: 10.1002/mrm.70501 ↗Auf einen Blick
Eine Trainingsstrategie mit Pre-Training und Fine-Tuning ermöglichte bei Schlaganfall-MRT eine vergleichbare Rekonstruktion trotz wenig Ziel-Daten. In einer verblindeten Leserstudie wurden die Bilder ähnlich wie der Standard bewertet.
Fragestellung
Lässt sich mit Pre-Training und zielgerichtetem Fine-Tuning eine data-effiziente, beschleunigte MRT-Rekonstruktion für klinische Schlaganfall-MRT erreichen?
Methode
DPMs wurden zunächst auf großen fastMRI-Braindaten vortrainiert und dann auf kleine Ziel-Datensätze feinjustiert; geprüft in kontrollierten fastMRI-Experimenten und klinischer Schlaganfall-MRT mit verblindeter Leserstudie.
Ergebnisse
Vortrainiert auf 4000 Non-FLAIR-Subjekte und feinjustiert auf FLAIR-Daten von 20 Ziel-Subjekten erreichten die Modelle eine mit deutlich mehr Ziel-Daten vergleichbare Rekonstruktionsleistung. In der Leserstudie mit 80 Subjekten waren Bildqualität und Strukturdarstellung vergleichbar mit Standard-of-care.
Einschränkungen
Einzelzentrische Auswertung.
Schlussfolgerung der Autor:innen
Großskaliges Pre-Training plus gezieltes Fine-Tuning kann DPM-basierte MRT-Rekonstruktion für eine datenarme, beschleunigte klinische Schlaganfall-MRT ermöglichen und den Bedarf an anwendungsspezifischen Datensätzen verringern.
Kernaussagen
- 4000 vortrainierte Non-FLAIR-Subjekte; Fine-Tuning auf 20 FLAIR-Subjekte
- Verblindete Leserstudie mit 80 Subjekten
- Bildqualität und Strukturdarstellung vergleichbar mit Standard-of-care
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Fachartikel in der Zeitschrift Magnetic Resonance in Medicine, online erschienen am 09.07.2026. Verfasst von Yamin Arefeen und 4 weiteren Autor:innen. Beteiligte Einrichtung: Chandra Family Department of Electrical and Computer Engineering, The University of Texas at Austin, Austin, Texas, USA. Hauptthemen laut MEDLINE: Stroke, Magnetic Resonance Imaging, Brain, Image Processing, Computer-Assisted. Die Arbeit wurde bisher 1-mal zitiert (Crossref) und nennt 57 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0). Gefördert von: NSF, Joint Center for Computational Oncology (JCCO) Postdoctoral Fellowship, National Science Foundation.
Themen: Schlaganfall
Abstract (Originalsprache)
Purpose
To develop a data‐efficient strategy for accelerated MRI reconstruction with Diffusion Probabilistic Generative Models (DPMs) that enables faster scan times in clinical stroke MRI when only limited fully‐sampled data are available.
Methods
Our simple training strategy first pre‐trains a DPM on a large, diverse collection of publicly available fastMRI brain data and then fine‐tunes on a small target dataset using carefully selected learning rates and fine‐tuning durations. The approach is evaluated on controlled fastMRI experiments and on clinical stroke MRI data with a blinded clinical reader study.
Results
DPMs pre‐trained on 4000 non‐FLAIR subjects and fine‐tuned on FLAIR data from only 20 target subjects achieve reconstruction performance comparable to models trained with substantially more target‐domain FLAIR data across multiple acceleration factors. Moderate fine‐tuning with a reduced learning rate yields improved performance, while insufficient or excessive fine‐tuning degrades reconstruction quality. In a blinded reader study of 80 subjects at a single clinical site, images reconstructed from accelerated data using the proposed approach are rated comparably to standard‐of‐care on the image quality and structural delineation metrics defined in this work.
Conclusion
Large‐scale pre‐training combined with targeted fine‐tuning can enable DPM‐based MRI reconstruction for our data‐constrained, accelerated clinical stroke MRI application. In the single‐site settings evaluated here, the proposed approach reduces the need for large application‐specific datasets while maintaining clinically acceptable image quality, providing preliminary evidence for pre‐trained and fine‐tuned diffusion models as a strategy for accelerated MRI in targeted applications.
Schlagwörter
MeSH-Schlagwörter (MEDLINE)
Stichwörter der Autor:innen
Autor:innen und Institutionen
- Chandra Family Department of Electrical and Computer Engineering, The University of Texas at Austin, Austin, Texas, USA.
- Department of Imaging Physics, MD Anderson Cancer Center, Houston, Texas, USA.
- Dell Medical School Department of Neurology, The University of Texas at Austin, Austin, Texas, USA.
- Dell Medical School Department of Neurosurgery, The University of Texas at Austin, Austin, Texas, USA.
- Dell Medical School Department of Diagnostic Medicine, The University of Texas at Austin, Austin, Texas, USA.
- Oden Institute for Computational Engineering and Sciences, The University of Texas at Austin, Austin, Texas, USA.
ORCID-Profile: Yamin Arefeen
Förderung
- NSF
- Joint Center for Computational Oncology (JCCO) Postdoctoral Fellowship
- National Science Foundation
Zitieren
APA
Arefeen, Y., Kumar, S., Warach, S., Saber, H., & Tamir, J. I. (2026). Accelerating Stroke MRI With Diffusion Probabilistic Models Through Large‐Scale Pre‐Training and Target‐Specific Fine‐Tuning. Magnetic Resonance in Medicine, 96(5), 2396-2411. https://doi.org/10.1002/mrm.70501
Vancouver
Arefeen Y, Kumar S, Warach S, Saber H, Tamir JI. Accelerating Stroke MRI With Diffusion Probabilistic Models Through Large‐Scale Pre‐Training and Target‐Specific Fine‐Tuning. Magnetic Resonance in Medicine. 2026;96(5):2396-2411. doi:10.1002/mrm.70501
BibTeX
@article{Arefeen2026,
author = {Arefeen, Yamin and Kumar, Sidharth and Warach, Steven and Saber, Hamidreza and Tamir, Jonathan Isaac},
title = {Accelerating Stroke MRI With Diffusion Probabilistic Models Through Large‐Scale Pre‐Training and Target‐Specific Fine‐Tuning},
journal = {Magnetic Resonance in Medicine},
year = {2026},
volume = {96},
number = {5},
pages = {2396--2411},
doi = {10.1002/mrm.70501}
}
EUVIMED