論文の概要: SRDTI: Deep learning-based super-resolution for diffusion tensor MRI

• arxiv url: http://arxiv.org/abs/2102.09069v1
• Date: Wed, 17 Feb 2021 23:21:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-19 14:09:12.954553
• Title: SRDTI: Deep learning-based super-resolution for diffusion tensor MRI
• Title（参考訳）: SRDTI:拡散テンソルMRIのためのディープラーニングによる超解像
• Authors: Qiyuan Tian, Ziyu Li, Qiuyun Fan, Chanon Ngamsombat, Yuxin Hu, Congyu Liao, Fuyixue Wang, Kawin Setsompop, Jonathan R. Polimeni, Berkin Bilgic, Susie Y. Huang
• Abstract要約: 長時間の走査時間と信号-雑音比の制限は、サブミリ波分解能でDTIを取得する上で大きな障壁となる。 低分解能DWIから高分解能拡散強調画像(DWI)を合成する深層学習型超解像法「SRDTI」を提案する。
• 参考スコア（独自算出の注目度）: 1.477115160815656
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution diffusion tensor imaging (DTI) is beneficial for probing tissue microstructure in fine neuroanatomical structures, but long scan times and limited signal-to-noise ratio pose significant barriers to acquiring DTI at sub-millimeter resolution. To address this challenge, we propose a deep learning-based super-resolution method entitled "SRDTI" to synthesize high-resolution diffusion-weighted images (DWIs) from low-resolution DWIs. SRDTI employs a deep convolutional neural network (CNN), residual learning and multi-contrast imaging, and generates high-quality results with rich textural details and microstructural information, which are more similar to high-resolution ground truth than those from trilinear and cubic spline interpolation.
• Abstract（参考訳）: 高分解能拡散テンソルイメージング(DTI)は、微細神経解剖学的構造における組織微細構造の探索に有用であるが、長い走査時間と信号-雑音比は、サブミリ波分解能でDTIを取得する上で重要な障壁となる。 そこで本研究では,低解像度DWIから高分解能拡散強調画像(DWI)を合成する深層学習型超解像法「SRDTI」を提案する。 SRDTIは、深層畳み込みニューラルネットワーク(CNN)、残留学習およびマルチコントラストイメージングを採用し、トリリナーおよび立方スプライン補間よりも高解像度の地上真実に近い豊富なテキストの詳細と微細な情報で高品質の結果を生成します。

関連論文リスト

• TV-based Deep 3D Self Super-Resolution for fMRI [41.08227909855111]
  本稿では,DLネットワークと解析的アプローチとTotal Variation (TV)正規化を組み合わせた,新たな自己教師型DL SRモデルを提案する。 本手法は,外部GT画像の必要性を排除し,管理型DL技術と機能地図の保存による競合性能を実現する。
  論文  参考訳（メタデータ） (2024-10-05T09:35:15Z)
• Hybrid attention structure preserving network for reconstruction of under-sampled OCT images [0.30693357740321775]
  我々は,HASPN(Hybrid attention structure Preserving Network)を提案する。 適応的拡張畳み込み型チャネルアテンション(ADCCA)と空間アテンション(ESA)を利用して特徴のチャネルと空間情報をよりよく捉えた。 HASPNは糖尿病黄斑浮腫網膜データセットに適用され、その優れた一般化能が検証された。
  論文  参考訳（メタデータ） (2024-06-01T03:07:28Z)
• 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)
• Spectral Bandwidth Recovery of Optical Coherence Tomography Images using Deep Learning [0.6990493129893112]
  取得速度を向上する技術開発は、しばしばスペクトル帯域幅が狭くなり、したがって軸方向分解能が低くなる。 従来,OCTのサブサンプルデータを再構成するために画像処理技術が用いられてきた。 本研究では,スペクトル領域におけるガウスウィンドウ化による軸方向スキャン(Aスキャン)分解能の低下をシミュレートし,画像特徴再構成のための学習的アプローチについて検討する。
  論文  参考訳（メタデータ） (2023-01-02T02:18:32Z)
• Image Super-resolution with An Enhanced Group Convolutional Neural Network [102.2483249598621]
  学習能力の強いCNNは、超解像問題を解くために広く選択されている。 浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。 ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
  論文  参考訳（メタデータ） (2022-05-29T00:34:25Z)
• 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)
• MANAS: Multi-Scale and Multi-Level Neural Architecture Search for Low-Dose CT Denoising [15.164252252022505]
  LDCTデノイジング用マルチスケール・マルチレベルNAS「MANAS」を提案します。 一方,提案されたmanasは,異なるスケールセルから抽出された特徴を融合し,マルチスケール画像構造の詳細をキャプチャする。 一方,提案手法では,ハイブリッドセルとネットワークレベルの構造を探索し,性能を向上させることができる。
  論文  参考訳（メタデータ） (2021-03-24T05:41:01Z)
• 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)
• Hyperspectral Image Super-resolution via Deep Progressive Zero-centric Residual Learning [62.52242684874278]
  空間情報とスペクトル情報の相互モダリティ分布が問題となる。 本稿では,PZRes-Netという,新しいテクスライトウェイトなディープニューラルネットワークベースのフレームワークを提案する。 本フレームワークは,高分解能かつテクテッセロ中心の残像を学習し,シーンの空間的詳細を高頻度で表現する。
  論文  参考訳（メタデータ） (2020-06-18T06:32:11Z)
• Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery [79.69449412334188]
  本稿では,最先端の残差学習をベースとした単一グレー/RGB画像の超解像化手法について検討する。 本稿では,空間情報とハイパースペクトルデータのスペクトル間の相関をフル活用するための空間スペクトル先行ネットワーク(SSPN)を提案する。 実験結果から,SSPSR法により高分解能高分解能高分解能画像の詳細が得られた。
  論文  参考訳（メタデータ） (2020-05-18T14:25:50Z)

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。