論文の概要: Towards Ultrafast MRI via Extreme k-Space Undersampling and
Superresolution
- arxiv url: http://arxiv.org/abs/2103.02940v1
- Date: Thu, 4 Mar 2021 10:45:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-05 14:48:40.365690
- Title: Towards Ultrafast MRI via Extreme k-Space Undersampling and
Superresolution
- Title(参考訳): 極端k-Spaceアンダーサンプリングと超解像による超高速MRI
- Authors: Aleksandr Belov and Joel Stadelmann and Sergey Kastryulin and Dmitry
V. Dylov
- Abstract要約: 我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。
低解像を補うための強力な深層学習に基づく画像強化手法を検討する。
復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
- 参考スコア(独自算出の注目度): 65.25508348574974
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We went below the MRI acceleration factors (a.k.a., k-space undersampling)
reported by all published papers that reference the original fastMRI challenge,
and then considered powerful deep learning based image enhancement methods to
compensate for the underresolved images. We thoroughly study the influence of
the sampling patterns, the undersampling and the downscaling factors, as well
as the recovery models on the final image quality for both the brain and the
knee fastMRI benchmarks. The quality of the reconstructed images surpasses that
of the other methods, yielding an MSE of 0.00114, a PSNR of 29.6 dB, and an
SSIM of 0.956 at x16 acceleration factor. More extreme undersampling factors of
x32 and x64 are also investigated, holding promise for certain clinical
applications such as computer-assisted surgery or radiation planning. We survey
5 expert radiologists to assess 100 pairs of images and show that the recovered
undersampled images statistically preserve their diagnostic value.
- Abstract(参考訳): 我々は、オリジナルのfastMRIチャレンジを参照するすべての論文によって報告されたMRI加速因子(k-space undersampling)を下回った後、未解決の画像を補う強力なディープラーニングベースの画像強化方法を検討した。
我々は、サンプリングパターン、アンダーサンプリングおよびダウンスケーリング要因、ならびに脳と膝の高速MRIベンチマークの最終的な画像品質に対する回復モデルの影響を徹底的に検討します。
復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
x32およびx64のより極端なアンダーサンプリング因子も検討され、コンピュータ支援手術や放射線計画などの特定の臨床応用を約束する。
専門家5名の放射線技師が100対の画像を評価し、回収したサンプル画像が統計的に診断価値を保っていることを示す。
関連論文リスト
- Temporal and Spatial Super Resolution with Latent Diffusion Model in Medical MRI images [0.0]
スーパーレゾリューション(SR)はコンピュータビジョン、特に医用画像において重要な役割を果たす。
本稿では,Vector Quantized GAN(VQGAN)をベースとしたエンコーダデコーダアーキテクチャを併用したLatent Diffusion Model(LDM)を提案する。
論文 参考訳(メタデータ) (2024-10-29T20:13:00Z) - 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) - Attention-aware non-rigid image registration for accelerated MR imaging [10.47044784972188]
我々は,MRIの完全サンプリングと高速化のために,非厳密なペアワイズ登録を行うことのできる,注目に敏感なディープラーニングベースのフレームワークを提案する。
我々は、複数の解像度レベルで、登録された画像ペア間の類似性マップを構築するために、局所的な視覚表現を抽出する。
本モデルでは, 異なるサンプリング軌道にまたがって, 安定かつ一貫した運動場を導出することを示す。
論文 参考訳(メタデータ) (2024-04-26T14:25:07Z) - 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) - CL-MRI: Self-Supervised Contrastive Learning to Improve the Accuracy of Undersampled MRI Reconstruction [25.078280843551322]
コントラスト学習を用いた自己教師付き事前訓練手法を導入し,MRI画像再構成の精度を向上する。
本実験は, 各種加速度因子およびデータセットの再構成精度の向上を実証した。
論文 参考訳(メタデータ) (2023-06-01T10:29:58Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳(メタデータ) (2022-06-14T10:16:54Z) - Image Quality Assessment for Magnetic Resonance Imaging [4.05136808278614]
画像品質評価(IQA)アルゴリズムは、画像品質に対する人間の認識を再現することを目的としている。
我々は、MRIに関連する問題を解決するために訓練されたニューラルネットワークモデルの出力を使用する。
7人の訓練された放射線学者が歪んだ画像を評価し、その判断は35の異なる画像品質指標と相関した。
論文 参考訳(メタデータ) (2022-03-15T11:52:29Z) - 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) - 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。