論文の概要: Unsupervised Super-Resolution: Creating High-Resolution Medical Images from Low-Resolution Anisotropic Examples

• arxiv url: http://arxiv.org/abs/2010.13172v1
• Date: Sun, 25 Oct 2020 17:41:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-03 05:08:03.104769
• Title: Unsupervised Super-Resolution: Creating High-Resolution Medical Images from Low-Resolution Anisotropic Examples
• Title（参考訳）: 低分解能異方性例からの高分解能医用画像の作成
• Authors: J\"org Sander, Bob D. de Vos and Ivana I\v{s}gum
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.281734910003263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although high resolution isotropic 3D medical images are desired in clinical practice, their acquisition is not always feasible. Instead, lower resolution images are upsampled to higher resolution using conventional interpolation methods. Sophisticated learning-based super-resolution approaches are frequently unavailable in clinical setting, because such methods require training with high-resolution isotropic examples. To address this issue, we propose a learning-based super-resolution approach that can be trained using solely anisotropic images, i.e. without high-resolution ground truth data. The method exploits the latent space, generated by autoencoders trained on anisotropic images, to increase spatial resolution in low-resolution images. The method was trained and evaluated using 100 publicly available cardiac cine MR scans from the Automated Cardiac Diagnosis Challenge (ACDC). The quantitative results show that the proposed method performs better than conventional interpolation methods. Furthermore, the qualitative results indicate that especially finer cardiac structures are synthesized with high quality. The method has the potential to be applied to other anatomies and modalities and can be easily applied to any 3D anisotropic medical image dataset.
• Abstract（参考訳）: 高分解能等方性3次元医用画像は臨床で望ましいが,その取得は必ずしも可能とは限らない。 代わりに、従来の補間法を用いて低解像度画像を高解像度にアップサンプリングする。 高度学習に基づく超解像アプローチは、高分解能等方性例による訓練を必要とするため、臨床環境では利用できないことが多い。 そこで本研究では,高分解能地中データを用いずに,異方性画像のみを用いて学習可能な超解像手法を提案する。 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た潜在空間を利用して、低解像度画像の空間分解能を高める。 本法は,ACDC(Automated Cardiac Diagnosis Challenge)から得られた100個の心シンMRスキャンを用いて,訓練および評価を行った。 その結果,提案手法は従来の補間法よりも優れた性能を示した。 さらに,より微細な心臓構造は高品質で合成されることが示唆された。 この方法は、他の解剖学や形態に応用できる可能性があり、任意の3次元異方性医用画像データセットに容易に適用することができる。

関連論文リスト

• Histo-Diffusion: A Diffusion Super-Resolution Method for Digital Pathology with Comprehensive Quality Assessment [6.350679043444348]
  ヒスト拡散(Histo-Diffusion)は、デジタル病理学における超解像の生成と評価のために特別に設計された拡散法である。 病理組織学の復元モジュールと、高品質な画像を生成するための制御可能な拡散モジュールを含む。
  論文  参考訳（メタデータ） (2024-08-27T17:31:00Z)
• URCDM: Ultra-Resolution Image Synthesis in Histopathology [4.393805955844748]
  Ultra-Resolution Cascaded Diffusion Models (URCDMs) は、すべての病理像を高分解能で合成することができる。 本手法は脳,乳腺,腎臓の組織からなる3つの異なるデータセットを用いて評価した。 URCDMは、訓練された評価器が実際の画像と区別できない様々な解像度の出力を一貫して生成する。
  論文  参考訳（メタデータ） (2024-07-18T08:31:55Z)
• Inter-slice Super-resolution of Magnetic Resonance Images by Pre-training and Self-supervised Fine-tuning [49.197385954021456]
  臨床実践では、2次元磁気共鳴(MR)シーケンスが広く採用されている。個々の2次元スライスを積み重ねて3次元ボリュームを形成できるが、比較的大きなスライスススペーシングは可視化とその後の解析タスクに課題をもたらす可能性がある。 スライス間隔を低減するため,ディープラーニングに基づく超解像技術が広く研究されている。 現在のほとんどのソリューションは、教師付きトレーニングのために、かなりの数の高解像度と低解像度の画像を必要とするが、通常は現実のシナリオでは利用できない。
  論文  参考訳（メタデータ） (2024-06-10T02:20:26Z)
• 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)
• Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
  超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。 我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
  論文  参考訳（メタデータ） (2024-04-15T02:41:55Z)
• Resolution- and Stimulus-agnostic Super-Resolution of Ultra-High-Field Functional MRI: Application to Visual Studies [1.8327547104097965]
  高分解能fMRIは脳のメソスケール組織への窓を提供する。 しかし、高い空間分解能はスキャン時間を増加させ、低信号とコントラスト-ノイズ比を補う。 本研究では,fMRIのための深層学習に基づく3次元超解像法を提案する。
  論文  参考訳（メタデータ） (2023-11-25T03:33:36Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• Unsupervised MRI Super-Resolution Using Deep External Learning and Guided Residual Dense Network with Multimodal Image Priors [8.658014459585953]
  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。
  論文  参考訳（メタデータ） (2020-08-27T05:46:31Z)
• 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。