論文の概要: MRI Super-Resolution with GAN and 3D Multi-Level DenseNet: Smaller, Faster, and Better

• arxiv url: http://arxiv.org/abs/2003.01217v2
• Date: Fri, 6 Mar 2020 23:46:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 05:41:05.190665
• Title: MRI Super-Resolution with GAN and 3D Multi-Level DenseNet: Smaller, Faster, and Better
• Title（参考訳）: GANと3D Multi-Level DenseNetによるMRI超解像 : より小さく、より速く、より良く
• Authors: Yuhua Chen, Anthony G. Christodoulou, Zhengwei Zhou, Feng Shi, Yibin Xie, Debiao Li
• Abstract要約: 高分解能(HR)磁気共鳴画像(MRI)は、臨床応用において診断に重要な詳細な解剖情報を提供する。 HR MRIは通常、長時間のスキャン、空間被覆の小さい、信号対雑音比(SNR)のコストがかかる。 近年の研究では、ディープ畳み込みニューラルネットワーク(CNN)を用いて、単一画像超解像(SISR)アプローチにより、低解像度(LR)入力からHRジェネリックイメージを復元できることが示されている。
• 参考スコア（独自算出の注目度）: 16.65044022241517
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution (HR) magnetic resonance imaging (MRI) provides detailed anatomical information that is critical for diagnosis in the clinical application. However, HR MRI typically comes at the cost of long scan time, small spatial coverage, and low signal-to-noise ratio (SNR). Recent studies showed that with a deep convolutional neural network (CNN), HR generic images could be recovered from low-resolution (LR) inputs via single image super-resolution (SISR) approaches. Additionally, previous works have shown that a deep 3D CNN can generate high-quality SR MRIs by using learned image priors. However, 3D CNN with deep structures, have a large number of parameters and are computationally expensive. In this paper, we propose a novel 3D CNN architecture, namely a multi-level densely connected super-resolution network (mDCSRN), which is light-weight, fast and accurate. We also show that with the generative adversarial network (GAN)-guided training, the mDCSRN-GAN provides appealing sharp SR images with rich texture details that are highly comparable with the referenced HR images. Our results from experiments on a large public dataset with 1,113 subjects showed that this new architecture outperformed other popular deep learning methods in recovering 4x resolution-downgraded images in both quality and speed.
• Abstract（参考訳）: 高分解能(HR)磁気共鳴画像(MRI)は、臨床応用において診断に重要な詳細な解剖学的情報を提供する。 しかし、HR MRIは通常、長いスキャン時間、小さな空間範囲、低信号対雑音比(SNR)のコストがかかる。 近年の研究では、深層畳み込みニューラルネットワーク(cnn)を用いて、単一の画像スーパーレゾリューション(sisr)アプローチによる低解像度(lr)入力からhrジェネリックイメージを復元できることが示されている。 さらに,3次元CNNは学習画像の先行画像を用いて,高品質なSRMRIを生成できることを示した。 しかし、深い構造を持つ3D CNNは、多くのパラメータを持ち、計算コストが高い。 本稿では,新しい3次元cnnアーキテクチャ,すなわち,軽量,高速,高精度なマルチレベル高密度超解像ネットワーク(mdcsrn)を提案する。 また、GAN(Generative Adversarial Network)誘導トレーニングにより、mDCSRN-GANは、参照したHR画像に匹敵する、豊かなテクスチャの詳細を持つシャープなSR画像を提供する。 1,113人の被験者による大規模な公開データセットによる実験の結果、この新しいアーキテクチャは4倍解像度の画質と速度の低下画像の復元において、他の一般的なディープラーニング手法よりも優れていた。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• CMRxRecon: An open cardiac MRI dataset for the competition of accelerated image reconstruction [62.61209705638161]
  ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。 ディープラーニング手法は大規模なトレーニングデータセットを必要とする。 このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
  論文  参考訳（メタデータ） (2023-09-19T15:14:42Z)
• Computationally Efficient 3D MRI Reconstruction with Adaptive MLP [12.796051051794024]
  現在の手法は主に、小さなカーネルを持つ畳み込みニューラルネットワーク(CNN)に基づいている。 本稿では,低周波再構成用CNNモジュールと大周波再構成用GPU(MLP)モジュールのハイブリッドとしてRecon3DMLPを提案する。
  論文  参考訳（メタデータ） (2023-01-21T02:58:51Z)
• Synthetic Low-Field MRI Super-Resolution Via Nested U-Net Architecture [0.0]
  本研究の目的は、低磁場MRIスキャンのSNRと画像品質を改善し、診断能力を向上することである。 我々は,従来提案していた深層学習手法を,平均PSNR78.83,SSIM0.9551で上回るNested U-Netニューラルネットワークアーキテクチャ超解法を提案する。
  論文  参考訳（メタデータ） (2022-11-28T04:09:21Z)
• Model-Guided Multi-Contrast Deep Unfolding Network for MRI Super-resolution Reconstruction [68.80715727288514]
  MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。 本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
  論文  参考訳（メタデータ） (2022-09-15T03:58:30Z)
• ERNAS: An Evolutionary Neural Architecture Search for Magnetic Resonance Image Reconstructions [0.688204255655161]
  加速MRIの一般的なアプローチは、k空間データをアンサンプすることである。 アンサンプはスキャン手順を高速化する一方で、画像内のアーティファクトを生成し、アーティファクトのない画像を生成するために高度な再構築アルゴリズムが必要である。 本研究では、新しい進化的ニューラルネットワーク探索アルゴリズムを用いて、最適化されたニューラルネットワークを用いて、アンダーサンプルデータからのMRI再構成を行った。
  論文  参考訳（メタデータ） (2022-06-15T03:42:18Z)
• An Arbitrary Scale Super-Resolution Approach for 3-Dimensional Magnetic Resonance Image using Implicit Neural Representation [37.43985628701494]
  高分解能(HR)医療画像は、早期かつ正確な診断を容易にするために、豊富な解剖学的構造の詳細を提供する。 近年の研究では、深部畳み込みニューラルネットワークを用いて、低分解能(LR)入力から等方性HR MR像を復元できることが示されている。 Arbitrary Scale Super-Resolution approach for recovering 3D HR MR images。
  論文  参考訳（メタデータ） (2021-10-27T14:48:54Z)
• Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
  MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。 提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
  論文  参考訳（メタデータ） (2021-06-16T15:56:34Z)
• Generative Adversarial Networks (GAN) Powered Fast Magnetic Resonance Imaging -- Mini Review, Comparison and Perspectives [5.3148259096171175]
  MRIの欠点の1つは、他の画像モダリティに比べて比較的遅いスキャンと再構成である。 ディープニューラルネットワーク(DNN)は、比較的高品質な画像を再現するスパースMRI再構成モデルに使われてきた。 画像の知覚品質を向上した高速MRIを実現するために,GAN(Generative Adversarial Networks)に基づく手法を提案する。
  論文  参考訳（メタデータ） (2021-05-04T23:59:00Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。