論文の概要: Unsupervised MRI Super-Resolution Using Deep External Learning and Guided Residual Dense Network with Multimodal Image Priors

• arxiv url: http://arxiv.org/abs/2008.11921v3
• Date: Thu, 13 Oct 2022 05:21:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 08:19:10.982919
• Title: Unsupervised MRI Super-Resolution Using Deep External Learning and Guided Residual Dense Network with Multimodal Image Priors
• Title（参考訳）: マルチモーダル画像を用いた深層学習とガイド付き残像ネットワークを用いた教師なしMRI超解像
• Authors: Yutaro Iwamoto, Kyohei Takeda, Yinhao Li, Akihiko Shiino, Yen-Wei Chen
• Abstract要約: 人間の解剖学の単純な知識に基づく教師なし画像超解像手法を提案する。 本稿では,高分解能画像の高分解能化を目的として,ガイド付き深部畳み込みニューラルネットワークを用いた高密度ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 8.658014459585953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning techniques have led to state-of-the-art image super resolution with natural images. Normally, pairs of high-resolution and low-resolution images are used to train the deep learning models. These techniques have also been applied to medical image super-resolution. The characteristics of medical images differ significantly from natural images in several ways. First, it is difficult to obtain high-resolution images for training in real clinical applications due to the limitations of imaging systems and clinical requirements. Second, other modal high-resolution images are available (e.g., high-resolution T1-weighted images are available for enhancing low-resolution T2-weighted images). In this paper, we propose an unsupervised image super-resolution technique based on simple prior knowledge of the human anatomy. This technique does not require target T2WI high-resolution images for training. Furthermore, we present a guided residual dense network, which incorporates a residual dense network with a guided deep convolutional neural network for enhancing the resolution of low-resolution images by referring to different modal high-resolution images of the same subject. Experiments on a publicly available brain MRI database showed that our proposed method achieves better performance than the state-of-the-art methods.
• Abstract（参考訳）: 深層学習技術は、自然画像を用いた最先端の画像超解像に繋がった。 通常、深層学習モデルのトレーニングには高解像度と低解像度の画像のペアが使用される。 これらの技術は医療画像の超解像にも応用されている。 医用画像の特徴は自然画像といくつかの点で大きく異なる。 まず,画像システムの限界や臨床要件のため,実地臨床応用における高解像度画像の取得が困難である。 第二に、他のモード高分解能画像(例えば、低分解能t2強調画像の高分解能t1強調画像)が利用可能である。 本稿では,ヒト解剖学の簡単な事前知識に基づく教師なし画像超解像手法を提案する。 この技術は訓練のためにターゲットのT2WI高解像度画像を必要としない。 さらに,同一被写体の異なるモード高分解能画像を参照して,低分解能画像の解像度を高めるために,誘導型深層畳み込みニューラルネットワークを用いた残密ネットワークを組み込んだ誘導型残差密度ネットワークを提案する。 公開されている脳MRIデータベースを用いた実験により,提案手法は最先端の手法よりも優れた性能を示した。

関連論文リスト

• Reconstructing Interpretable Features in Computational Super-Resolution microscopy via Regularized Latent Search [2.7194314957925094]
  改良されたディープラーニングアプローチは、2つの画像解像度またはモダリティ間のマッピングを学習することで、顕微鏡画像の解像度を人工的に向上させることができる。 GAN潜時探索に基づく最近の手法では、ペア画像を必要としない解像度が大幅に向上した。 本稿では,正則化潜在探索(RLS)に基づく高分解能超解法を提案する。
  論文  参考訳（メタデータ） (2024-05-29T14:20:46Z)
• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• Single MR Image Super-Resolution using Generative Adversarial Network [0.696125353550498]
  Real Enhanced Super Resolution Generative Adrial Network (Real-ESRGAN) は、高解像度画像の生成に使われている最近の効果的なアプローチの1つである。 本稿では,2次元MR画像の空間分解能を高めるために本手法を適用した。
  論文  参考訳（メタデータ） (2022-07-16T23:15:10Z)
• SOUP-GAN: Super-Resolution MRI Using Generative Adversarial Networks [9.201328999176402]
  本稿では,GAN(Perceptual-tuned Generative Adversarial Network)を用いたSOUP-GANというフレームワークを提案する。 本モデルは,新しい3D SR技術として期待でき,臨床と研究の両方に応用できる可能性を示している。
  論文  参考訳（メタデータ） (2021-06-04T16:59:23Z)
• 3D Human Pose, Shape and Texture from Low-Resolution Images and Videos [107.36352212367179]
  本稿では,解像度認識ネットワーク,自己スーパービジョン損失,コントラスト学習スキームからなるrsc-netを提案する。 提案手法は1つのモデルで異なる解像度で3次元物体のポーズと形状を学習できる。 低解像度映像を扱うRSC-Netを拡張し、低解像度入力からテクスチャ化された3D歩行者の再構築に適用します。
  論文  参考訳（メタデータ） (2021-03-11T06:52:12Z)
• 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)
• Deep Learning-based Face Super-resolution: A Survey [78.11274281686246]
  顔の超解像、別名顔の幻覚は、ドメイン固有のイメージの超解像問題です。 現在、深層学習に基づく顔の超解像に関する研究の要約は少ない。 本調査では,超解像面における深層学習の手法を体系的に総合的に検討する。
  論文  参考訳（メタデータ） (2021-01-11T08:17:11Z)
• Unsupervised Super-Resolution: Creating High-Resolution Medical Images from Low-Resolution Anisotropic Examples [1.281734910003263]
  本稿では,非等方的画像のみを用いて学習可能な超解像法を提案する。 この方法は、異方性画像で訓練されたオートエンコーダによって生成される潜伏空間を利用して、低解像度画像における空間分解能を向上させる。
  論文  参考訳（メタデータ） (2020-10-25T17:41:54Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)
• 3D Human Shape and Pose from a Single Low-Resolution Image with Self-Supervised Learning [105.49950571267715]
  3次元人物形状とポーズ推定のための既存のディープラーニング手法は、比較的高解像度な入力画像に依存している。 本稿では,レゾリューション・アウェア・ネットワーク,セルフ・スーパービジョン・ロス,コントラッシブ・ラーニング・スキームからなるRCC-Netを提案する。 これら2つの新たなトレーニング損失は,3次元形状を学習し,弱教師ありの姿勢を示す。
  論文  参考訳（メタデータ） (2020-07-27T16:19:52Z)

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。