論文の概要: Arbitrary Scale Super-Resolution for Brain MRI Images

• arxiv url: http://arxiv.org/abs/2004.02086v2
• Date: Thu, 4 Jun 2020 02:34:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 12:25:30.068825
• Title: Arbitrary Scale Super-Resolution for Brain MRI Images
• Title（参考訳）: 脳MRI画像における任意スケール超解像
• Authors: Chuan Tan (1), Jin Zhu (1), Pietro Lio' (1) ((1) University of Cambridge)
• Abstract要約: 近年, 医療画像の超解像化の試みは, 様々な因子に一般化できないことから制約されている。 これは、すべての整数スケール係数が別々のニューラルネットワークを含むため、高いストレージとエネルギーコストを伴う。 我々は,この手法を最先端のGANアーキテクチャであるSRGANと組み合わせて,任意のスケールで高忠実な超解法を実現する新しいネットワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent attempts at Super-Resolution for medical images used deep learning techniques such as Generative Adversarial Networks (GANs) to achieve perceptually realistic single image Super-Resolution. Yet, they are constrained by their inability to generalise to different scale factors. This involves high storage and energy costs as every integer scale factor involves a separate neural network. A recent paper has proposed a novel meta-learning technique that uses a Weight Prediction Network to enable Super-Resolution on arbitrary scale factors using only a single neural network. In this paper, we propose a new network that combines that technique with SRGAN, a state-of-the-art GAN-based architecture, to achieve arbitrary scale, high fidelity Super-Resolution for medical images. By using this network to perform arbitrary scale magnifications on images from the Multimodal Brain Tumor Segmentation Challenge (BraTS) dataset, we demonstrate that it is able to outperform traditional interpolation methods by up to 20$\%$ on SSIM scores whilst retaining generalisability on brain MRI images. We show that performance across scales is not compromised, and that it is able to achieve competitive results with other state-of-the-art methods such as EDSR whilst being fifty times smaller than them. Combining efficiency, performance, and generalisability, this can hopefully become a new foundation for tackling Super-Resolution on medical images. Check out the webapp here: https://metasrgan.herokuapp.com/ Check out the github tutorial here: https://github.com/pancakewaffles/metasrgan-tutorial
• Abstract（参考訳）: 医用画像の超解像化における最近の試みは、GAN(Generative Adversarial Networks)のような深層学習技術を用いて、知覚的に現実的な単一画像の超解像を実現する。 しかし、それらは異なるスケール因子に一般化できないことに制約されている。 これは、すべての整数スケール係数が別々のニューラルネットワークを含むため、高いストレージとエネルギーコストを伴う。 最近の論文では、重み予測ネットワークを用いて、単一のニューラルネットワークのみを使用して任意のスケールファクターの超解像を可能にする、新しいメタラーニング手法を提案している。 本稿では,この手法を最先端のGANアーキテクチャであるSRGANと組み合わせて,任意のスケールで高精度な医用画像の超解像を実現する新しいネットワークを提案する。 このネットワークを用いて、BraTS(Multimodal Brain tumor Segmentation Challenge)データセットの画像を任意のスケールで拡大することにより、脳MRI画像の一般性を維持しつつ、SSIMスコアに対して最大20$\%の従来の補間手法より優れていることを示す。 また,edsrのような最先端の手法と競合する結果を得ることができ,かつ,その50倍の精度で性能を向上できることを示した。 効率性、性能、一般性を組み合わせることで、医療画像の超解像処理の新たな基盤になることを期待している。 https://metasrgan.herokuapp.com/https://github.com/pancakewaffles/metasrgan-tutorial.com/githubチュートリアルを参照してください。

関連論文リスト

• Scale-aware Super-resolution Network with Dual Affinity Learning for Lesion Segmentation from Medical Images [50.76668288066681]
  低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。 提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
  論文  参考訳（メタデータ） (2023-05-30T14:25:55Z)
• T-former: An Efficient Transformer for Image Inpainting [50.43302925662507]
  トランスフォーマーと呼ばれる注目に基づくネットワークアーキテクチャのクラスは、自然言語処理の分野で大きなパフォーマンスを示している。 本稿では,Taylorの展開に応じて,解像度に線形に関連付けられた新たな注意を設計し,この注意に基づいて,画像インペイントのためのネットワークである$T$-formerを設計する。 いくつかのベンチマークデータセットの実験により,提案手法は比較的少ないパラメータ数と計算複雑性を維持しつつ,最先端の精度を達成できることが示されている。
  論文  参考訳（メタデータ） (2023-05-12T04:10:42Z)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• Multimodal-Boost: Multimodal Medical Image Super-Resolution using Multi-Attention Network with Wavelet Transform [5.416279158834623]
  対応する画像分解能の喪失は、医用画像診断の全体的な性能を低下させる。 ディープラーニングベースのシングルイメージスーパーレゾリューション(SISR)アルゴリズムは、全体的な診断フレームワークに革命をもたらした。 本研究は,低周波データから高頻度情報を学習する深層マルチアテンションモジュールを用いたGAN(Generative Adversarial Network)を提案する。
  論文  参考訳（メタデータ） (2021-10-22T10:13:46Z)
• Image Augmentation Using a Task Guided Generative Adversarial Network for Age Estimation on Brain MRI [6.051767128521292]
  本稿では,データ不足を克服するGANに基づく画像合成手法を提案する。 従来のGAN損失にタスク誘導損失を加えることで、学習された低次元潜在空間と合成画像はよりタスク固有となる。 提案手法は,深い畳み込みニューラルネットワークに基づく回帰モデルと,タスク誘導分岐を伴わないGANに基づく画像合成法より優れている(統計的に有意)。
  論文  参考訳（メタデータ） (2021-08-03T17:56:50Z)
• MIASSR: An Approach for Medical Image Arbitrary Scale Super-Resolution [3.0554209431226624]
  単一画像超解像は、1つの低解像度画像から高解像度の出力を得る。 深層学習に基づくSISRアプローチは、医用画像処理において広く議論されている。 医用画像任意スケール超解像(MIASSR)へのアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-22T14:24:25Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)
• Cascade Convolutional Neural Network for Image Super-Resolution [15.650515790147189]
  画像超解像のためのカスケード畳み込みニューラルネットワーク(CSRCNN)を提案する。 異なるスケールのイメージを同時にトレーニングすることができ、学習されたネットワークは、異なるスケールのイメージに存在する情報をフル活用することができる。
  論文  参考訳（メタデータ） (2020-08-24T11:34:03Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)

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。