論文の概要: Fine Perceptive GANs for Brain MR Image Super-Resolution in Wavelet Domain

• arxiv url: http://arxiv.org/abs/2011.04145v1
• Date: Mon, 9 Nov 2020 02:09:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 00:53:34.255777
• Title: Fine Perceptive GANs for Brain MR Image Super-Resolution in Wavelet Domain
• Title（参考訳）: 脳MR画像におけるウェーブレット領域の超解像のための微視的GAN
• Authors: Senrong You and Yong Liu and Baiying Lei and Shuqiang Wang
• Abstract要約: 高分解能(HR)磁気共鳴(MR)画像を生成するために,FP-GAN(Fepceptive Generative Adversarial Network)を提案する。 MultiRes_7Tデータセットの実験により、FP-GANsは競合する手法よりも定量的に質的に優れていることが示された。
• 参考スコア（独自算出の注目度）: 23.23392380531189
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Magnetic resonance imaging plays an important role in computer-aided diagnosis and brain exploration. However, limited by hardware, scanning time and cost, it's challenging to acquire high-resolution (HR) magnetic resonance (MR) image clinically. In this paper, fine perceptive generative adversarial networks (FP-GANs) is proposed to produce HR MR images from low-resolution counterparts. It can cope with the detail insensitive problem of the existing super-resolution model in a divide-and-conquer manner. Specifically, FP-GANs firstly divides an MR image into low-frequency global approximation and high-frequency anatomical texture in wavelet domain. Then each sub-band generative adversarial network (sub-band GAN) conquers the super-resolution procedure of each single sub-band image. Meanwhile, sub-band attention is deployed to tune focus between global and texture information. It can focus on sub-band images instead of feature maps to further enhance the anatomical reconstruction ability of FP-GANs. In addition, inverse discrete wavelet transformation (IDWT) is integrated into model for taking the reconstruction of whole image into account. Experiments on MultiRes_7T dataset demonstrate that FP-GANs outperforms the competing methods quantitatively and qualitatively.
• Abstract（参考訳）: 磁気共鳴イメージングは、コンピュータ支援診断と脳探索において重要な役割を果たす。 しかし、ハードウェア、走査時間、コストによって制限されているため、高分解能(HR)磁気共鳴(MR)画像を臨床的に取得することは困難である。 本稿では,低分解能画像からHR MR画像を生成するために,FP-GAN(perceptive generative adversarial network)を提案する。 既存の超解像モデルの細部非敏感な問題を分割分解的に扱うことができる。 具体的には、FP-GANはまずMR画像をウェーブレット領域の低周波大域近似と高周波解剖学的テクスチャに分割する。 そして、各サブバンド生成対向ネットワーク(サブバンドGAN)は、各サブバンド画像の超分解能手順を征服する。 一方、グローバル情報とテクスチャ情報の間に焦点を合わせるためにサブバンドアテンションが配置される。 FP-GANの解剖学的再構成能力をさらに強化するために、特徴マップの代わりにサブバンド画像にフォーカスすることができる。 さらに、逆離散ウェーブレット変換(IDWT)を画像全体の再構成を考慮したモデルに統合する。 MultiRes_7Tデータセットの実験により、FP-GANsは競合する手法よりも定量的に質的に優れていることが示された。

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)
• Transformer and GAN Based Super-Resolution Reconstruction Network for Medical Images [0.0]
  医用画像における超解像再構成がますます普及している(MRI) 本稿では,Transformer and Generative Adversarial Networks (T-GAN) を用いた低解像度画像から医用画像を再構成する深層学習戦略を提案する。 統合されたシステムは、より正確なテクスチャ情報を抽出し、グローバルな画像マッチングによって重要な位置に集中することができる。
  論文  参考訳（メタデータ） (2022-12-26T09:52:12Z)
• Flexible Alignment Super-Resolution Network for Multi-Contrast MRI [7.727046305845654]
  超解像は、より正確な医療分析のために低解像度の画像を前処理する上で重要な役割を担っている。 マルチコントラスト磁気共鳴画像のためのフレキシブルアライメント・スーパーリゾリューション・ネットワーク(FASR-Net)を提案する。
  論文  参考訳（メタデータ） (2022-10-07T11:07:20Z)
• PC-GANs: Progressive Compensation Generative Adversarial Networks for Pan-sharpening [50.943080184828524]
  空間情報とスペクトル情報の漸進的補償によりMS画像のシャープ化を行うパンシャーピングの新しい2段階モデルを提案する。 モデル全体が三重GANで構成されており、特定のアーキテクチャに基づいて、三重GANを同時に訓練できるように、共同補償損失関数が設計されている。
  論文  参考訳（メタデータ） (2022-07-29T03:09:21Z)
• Cross-Modality High-Frequency Transformer for MR Image Super-Resolution [100.50972513285598]
  我々はTransformerベースのMR画像超解像フレームワークを構築するための初期の取り組みを構築した。 我々は、高周波構造とモード間コンテキストを含む2つの領域先行について考察する。 我々は,Cross-modality High- frequency Transformer (Cohf-T)と呼ばれる新しいTransformerアーキテクチャを構築し,低解像度画像の超解像化を実現する。
  論文  参考訳（メタデータ） (2022-03-29T07:56:55Z)
• 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)
• Multi-modal Aggregation Network for Fast MR Imaging [85.25000133194762]
  我々は,完全サンプル化された補助モダリティから補完表現を発見できる,MANetという新しいマルチモーダル・アグリゲーション・ネットワークを提案する。 我々のMANetでは,完全サンプリングされた補助的およびアンアンサンプされた目標モダリティの表現は,特定のネットワークを介して独立に学習される。 私たちのMANetは、$k$-spaceドメインの周波数信号を同時に回復できるハイブリッドドメイン学習フレームワークに従います。
  論文  参考訳（メタデータ） (2021-10-15T13:16:59Z)
• FA-GAN: Fused Attentive Generative Adversarial Networks for MRI Image Super-Resolution [8.778205385041549]
  超高分解能磁気共鳴画像を生成するためにFA-GAN(Fused Attentive Generative Adversarial Networks)と呼ばれるフレームワークを提案する。 ネットワークのトレーニングには40組の3次元磁気共鳴画像を使用し,提案手法の試験には10セットのイメージを用いている。
  論文  参考訳（メタデータ） (2021-08-09T10:21:39Z)
• 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。