論文の概要: Multi-Contrast MRI Super-Resolution via a Multi-Stage Integration Network

• arxiv url: http://arxiv.org/abs/2105.08949v1
• Date: Wed, 19 May 2021 06:47:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-20 19:32:47.646263
• Title: Multi-Contrast MRI Super-Resolution via a Multi-Stage Integration Network
• Title（参考訳）: 多段階統合ネットワークによるマルチコントラストMRI超解像
• Authors: Chun-Mei Feng, Huazhu Fu, Shuhao Yuan, and Yong Xu
• Abstract要約: 超解像(SR)はMRIの画質向上に重要な役割を担っている MRIはマルチコントラスト画像を生成し、軟部組織の明瞭な表示を提供する。 本研究では,マルチコントラストMRI SRのための多段階統合ネットワーク (MINet) を提案する。
• 参考スコア（独自算出の注目度）: 31.591461062282384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Super-resolution (SR) plays a crucial role in improving the image quality of magnetic resonance imaging (MRI). MRI produces multi-contrast images and can provide a clear display of soft tissues. However, current super-resolution methods only employ a single contrast, or use a simple multi-contrast fusion mechanism, ignoring the rich relations among different contrasts, which are valuable for improving SR. In this work, we propose a multi-stage integration network (i.e., MINet) for multi-contrast MRI SR, which explicitly models the dependencies between multi-contrast images at different stages to guide image SR. In particular, our MINet first learns a hierarchical feature representation from multiple convolutional stages for each of different-contrast image. Subsequently, we introduce a multi-stage integration module to mine the comprehensive relations between the representations of the multi-contrast images. Specifically, the module matches each representation with all other features, which are integrated in terms of their similarities to obtain an enriched representation. Extensive experiments on fastMRI and real-world clinical datasets demonstrate that 1) our MINet outperforms state-of-the-art multi-contrast SR methods in terms of various metrics and 2) our multi-stage integration module is able to excavate complex interactions among multi-contrast features at different stages, leading to improved target-image quality.
• Abstract（参考訳）: 超分解能(sr)は磁気共鳴イメージング(mri)の画質向上に重要な役割を果たしている。 MRIはマルチコントラスト画像を生成し、軟部組織の明瞭な表示を提供する。 しかし、現在の超解像法は単一のコントラストのみを用いるか、あるいは単純なマルチコントラスト融合機構を用いて、SRを改善するのに有用な異なるコントラスト間のリッチな関係を無視している。 本研究では,マルチコントラスト画像間の依存関係をモデル化し,画像srを導出するマルチコントラストmri用マルチステージ統合ネットワーク(すなわちminant)を提案する。 特に,我々はまず,異なるコントラスト画像の複数の畳み込み段階から階層的な特徴表現を学習する。 次に,マルチコントラスト画像の表現間の包括的関係をマイニングするために,多段階統合モジュールを導入する。 具体的には、モジュールは各表現を他のすべての特徴と一致させ、その類似性の観点から統合してリッチな表現を得る。 高速MRIおよび実世界の臨床データセットに関する大規模な実験により、1)MINetは、様々な指標で最先端のマルチコントラストSR法より優れており、2)マルチステージ統合モジュールは、異なる段階におけるマルチコントラスト特徴間の複雑な相互作用を発掘することができ、目標画像の品質が向上することを示した。

関連論文リスト

• Deep Unfolding Convolutional Dictionary Model for Multi-Contrast MRI Super-resolution and Reconstruction [23.779641808300596]
  最適化アルゴリズムの指導の下で,マルチコントラスト畳み込み辞書(MC-CDic)モデルを提案する。 近似勾配アルゴリズムを用いてモデルを最適化し、反復的なステップを深部CDicモデルに展開する。 実験により,既存のSOTA法に対して提案したMC-CDicモデルの方が優れた性能を示した。
  論文  参考訳（メタデータ） (2023-09-03T13:18:59Z)
• Dual Arbitrary Scale Super-Resolution for Multi-Contrast MRI [23.50915512118989]
  マルチコントラスト超解像 (SR) 再構成により, SR画像の高画質化が期待できる。 放射線技師は、固定スケールではなく任意のスケールでMR画像を拡大することに慣れている。 本稿では,Dual-ArbNetと呼ばれる,暗黙的ニューラル表現に基づくマルチコントラストMRI超解像法を提案する。
  論文  参考訳（メタデータ） (2023-07-05T14:43:26Z)
• Compound Attention and Neighbor Matching Network for Multi-contrast MRI Super-resolution [7.197850827700436]
  MRIのマルチコントラスト超解像は、シングルイメージ超解像よりも優れた結果が得られる。 マルチコントラストMRI SRのための合成アテンションと近接マッチング(CANM-Net)を備えた新しいネットワークアーキテクチャを提案する。 CANM-Netは、ふりかえりと将来の実験において最先端のアプローチより優れている。
  論文  参考訳（メタデータ） (2023-07-05T09:44:02Z)
• JoJoNet: Joint-contrast and Joint-sampling-and-reconstruction Network for Multi-contrast MRI [49.29851365978476]
  提案フレームワークは,各画像コントラストに対するサンプリングマスク生成器と,コントラスト間相関と繰り返し構造とを併用した再構成器とから構成される。 各画像コントラストの加速度比も学習可能であり、下流タスク性能によって駆動することができる。
  論文  参考訳（メタデータ） (2022-10-22T20:46:56Z)
• Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution [55.52779466954026]
  マルチコントラスト・スーパーレゾリューション (SR) 再構成により, SR画像の高画質化が期待できる。 既存の手法では、これらの特徴をマッチングし、融合させる効果的なメカニズムが欠如している。 そこで本稿では,トランスフォーマーを利用したマルチスケールコンテキストマッチングとアグリゲーション技術を開発することで,これらの問題を解決する新しいネットワークを提案する。
  論文  参考訳（メタデータ） (2022-03-26T01:42:59Z)
• 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)
• Exploring Separable Attention for Multi-Contrast MR Image Super-Resolution [88.16655157395785]
  本稿では,SANet という,分離可能なアテンションネットワーク (優先のアテンションと背景分離のアテンションを含む) を提案する。 補助コントラストの助けを借りて、前後方向の前景と背景領域を探索することができる。 これは、補助コントラストを用いて前景と背景領域を予測する分離可能なアテンションメカニズムを探索する最初のモデルである。
  論文  参考訳（メタデータ） (2021-09-03T05:53:07Z)
• DDet: Dual-path Dynamic Enhancement Network for Real-World Image Super-Resolution [69.2432352477966]
  実画像超解像(Real-SR)は、実世界の高分解能画像(HR)と低分解能画像(LR)の関係に焦点を当てている。 本稿では,Real-SRのためのデュアルパス動的拡張ネットワーク(DDet)を提案する。 特徴表現のための大規模な畳み込みブロックを積み重ねる従来の手法とは異なり、非一貫性のある画像対を研究するためのコンテンツ認識フレームワークを導入する。
  論文  参考訳（メタデータ） (2020-02-25T18:24:51Z)
• Hi-Net: Hybrid-fusion Network for Multi-modal MR Image Synthesis [143.55901940771568]
  マルチモーダルMR画像合成のためのHybrid-fusion Network(Hi-Net)を提案する。 当社のHi-Netでは,各モーダリティの表現を学習するために,モーダリティ特化ネットワークを用いている。 マルチモーダル合成ネットワークは、潜在表現と各モーダルの階層的特徴を密結合するように設計されている。
  論文  参考訳（メタデータ） (2020-02-11T08:26:42Z)

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。