論文の概要: ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning
- arxiv url: http://arxiv.org/abs/2102.12898v1
- Date: Thu, 25 Feb 2021 14:52:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-26 13:43:39.183876
- Title: ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning
- Title(参考訳): ShuffleUNet:深層学習を用いた拡散強調MRIの超解像
- Authors: Soumick Chatterjee, Alessandro Sciarra, Max D\"unnwald, Raghava
Vinaykanth Mushunuri, Ranadheer Podishetti, Rajatha Nagaraja Rao, Geetha
Doddapaneni Gopinath, Steffen Oeltze-Jafra, Oliver Speck and Andreas
N\"urnberger
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 47.68307909984442
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion-weighted magnetic resonance imaging (DW-MRI) can be used to
characterise the microstructure of the nervous tissue, e.g. to delineate brain
white matter connections in a non-invasive manner via fibre tracking. Magnetic
Resonance Imaging (MRI) in high spatial resolution would play an important role
in visualising such fibre tracts in a superior manner. However, obtaining an
image of such resolution comes at the expense of longer scan time. Longer scan
time can be associated with the increase of motion artefacts, due to the
patient's psychological and physical conditions. Single Image Super-Resolution
(SISR), a technique aimed to obtain high-resolution (HR) details from one
single low-resolution (LR) input image, achieved with Deep Learning, is the
focus of this study. Compared to interpolation techniques or sparse-coding
algorithms, deep learning extracts prior knowledge from big datasets and
produces superior MRI images from the low-resolution counterparts. In this
research, a deep learning based super-resolution technique is proposed and has
been applied for DW-MRI. Images from the IXI dataset have been used as the
ground-truth and were artificially downsampled to simulate the low-resolution
images. The proposed method has shown statistically significant improvement
over the baselines and achieved an SSIM of $0.913\pm0.045$.
- Abstract(参考訳): 拡散強調磁気共鳴イメージング(DW-MRI)は、例えば神経組織の微細構造を特徴付けるのに用いることができる。
繊維追跡により非侵襲的に脳白質結合を脱線させる。
高空間分解能の磁気共鳴イメージング(MRI)は、そのような繊維を優れた方法で可視化する上で重要な役割を担っている。
しかし、そのような解像度の画像を得るには、スキャン時間が長くなる。
より長いスキャン時間は、患者の心理的および身体的状態のために、運動アーチファクトの増加と関連付けられる。
深層学習で実現した1つの低解像度(LR)入力画像から高分解能(HR)の詳細を得る技術であるSingle Image Super-Resolution (SISR)が本研究の焦点である。
補間技術やスパース符号化アルゴリズムと比較して、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、低解像度のデータセットから優れたMRI画像を生成する。
本研究では,深層学習に基づく超解像法を提案し,DW-MRIに応用した。
IXIデータセットの画像は地上構造として使われ、低解像度の画像のシミュレートのために人工的にダウンサンプリングされた。
提案手法は, ベースラインに対して統計的に有意な改善を示し, 0.913\pm0.045$のSSIMを達成した。
関連論文リスト
- 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) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳(メタデータ) (2023-10-16T13:58:53Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - Magnitude-image based data-consistent deep learning method for MRI super
resolution [3.5027291542274357]
深層学習MRI超解像法は複雑なシーケンスプログラミングなしでスキャン時間を短縮することができる。
データ一貫性レイヤはディープラーニングの結果を改善することができるが、生のk-spaceデータが必要である。
提案手法は,超高解像度画像のNAMSEとSSIMを改善することができることを示す。
論文 参考訳(メタデータ) (2022-09-07T03:16:35Z) - Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and
Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。
MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。
最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
論文 参考訳(メタデータ) (2022-04-01T22:48:08Z) - High-Resolution Pelvic MRI Reconstruction Using a Generative Adversarial
Network with Attention and Cyclic Loss [3.4358954898228604]
超解像法はMRIの高速化に優れた性能を示した。
場合によっては、スキャン時間が長い場合でも高解像度画像を得るのは困難である。
我々は,周期的損失と注意機構を有するGAN(Generative Adversarial Network)を用いた新しい超解像法を提案した。
論文 参考訳(メタデータ) (2021-07-21T10:07:22Z) - STRESS: Super-Resolution for Dynamic Fetal MRI using Self-Supervised
Learning [2.5581619987137048]
我々は,インターリーブスライス獲得を伴う動的胎児MRIのための自己教師付き超解像フレームワークSTRESSを提案する。
提案手法は,低解像度画像と高解像度画像のペアを生成するために,元の取得データに基づいて,高解像度軸に沿ったインターリーブスライス取得をシミュレートする。
シミュレーションおよび子宮内データによる評価の結果,提案手法は他の自己教師付き超解像法よりも優れていた。
論文 参考訳(メタデータ) (2021-06-23T13:52:11Z) - 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) - Cine Cardiac MRI Motion Artifact Reduction Using a Recurrent Neural
Network [18.433956246011466]
本研究では,運動ブラスト心画像から空間的特徴と時間的特徴を同時に抽出するリカレントニューラルネットワークを提案する。
実験の結果,2つの臨床検査データセットの画質が有意に向上した。
論文 参考訳(メタデータ) (2020-06-23T01:55:57Z) - Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion
Encoding (SIDE) [50.65891535040752]
本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。
SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。
また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
論文 参考訳(メタデータ) (2020-02-25T14:48:17Z)
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。