論文の概要: MIASSR: An Approach for Medical Image Arbitrary Scale Super-Resolution
- arxiv url: http://arxiv.org/abs/2105.10738v1
- Date: Sat, 22 May 2021 14:24:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 15:00:52.762307
- Title: MIASSR: An Approach for Medical Image Arbitrary Scale Super-Resolution
- Title（参考訳）: MIASSR : 医用画像任意スケール超解法へのアプローチ
- Authors: Jin Zhu, Chuan Tan, Junwei Yang, Guang Yang and Pietro Lio'
- Abstract要約: 単一画像超解像は、1つの低解像度画像から高解像度の出力を得る。
深層学習に基づくSISRアプローチは、医用画像処理において広く議論されている。
医用画像任意スケール超解像(MIASSR)へのアプローチを提案する。
- 参考スコア（独自算出の注目度）: 3.0554209431226624
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Single image super-resolution (SISR) aims to obtain a high-resolution output
from one low-resolution image. Currently, deep learning-based SISR approaches
have been widely discussed in medical image processing, because of their
potential to achieve high-quality, high spatial resolution images without the
cost of additional scans. However, most existing methods are designed for
scale-specific SR tasks and are unable to generalise over magnification scales.
In this paper, we propose an approach for medical image arbitrary-scale
super-resolution (MIASSR), in which we couple meta-learning with generative
adversarial networks (GANs) to super-resolve medical images at any scale of
magnification in (1, 4]. Compared to state-of-the-art SISR algorithms on
single-modal magnetic resonance (MR) brain images (OASIS-brains) and
multi-modal MR brain images (BraTS), MIASSR achieves comparable fidelity
performance and the best perceptual quality with the smallest model size. We
also employ transfer learning to enable MIASSR to tackle SR tasks of new
medical modalities, such as cardiac MR images (ACDC) and chest computed
tomography images (COVID-CT). The source code of our work is also public. Thus,
MIASSR has the potential to become a new foundational pre-/post-processing step
in clinical image analysis tasks such as reconstruction, image quality
enhancement, and segmentation.
- Abstract（参考訳）: 単一の画像超解像(SISR)は、1つの低解像度画像から高解像度の出力を得る。
現在、深層学習に基づくsisrアプローチは、追加のスキャンのコストなしで、高品質で高空間分解能の画像を実現する可能性があるため、医療画像処理において広く議論されている。
しかし、既存の手法の多くはスケール固有のsrタスク用に設計されており、拡大スケールを一般化できない。
本稿では, 医用画像の任意のスケールの超解像 (miassr) に対して, 生成的逆ネットワーク (gans) とメタラーニングを組み合わせることで, (1, 4] の倍率で医用画像の超解像を行う手法を提案する。
単一モード磁気共鳴(MR)脳画像(OASIS脳)と多モードMR脳画像(BraTS)の最先端のSISRアルゴリズムと比較して、MIASSRは最小モデルサイズで同等の忠実度と最高の知覚品質を達成する。
心MR画像 (ACDC) や胸部CT画像 (COVID-CT) などの新しい医療モダリティのSRタスクにMIASSRが対応できるように, トランスファーラーニングも採用している。
私たちの作品のソースコードも公開されています。
このように、MIASSRは、再構成、画質向上、セグメンテーションといった臨床画像解析タスクにおいて、新しい基礎的な前処理ステップになる可能性がある。
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) - 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) - Attention Hybrid Variational Net for Accelerated MRI Reconstruction [7.046523233290946]
磁気共鳴画像(MRI)の高速化のための圧縮センシング(CS)対応データ再構成の適用は依然として難しい問題である。
これは、加速マスクからk空間で失った情報が、完全にサンプリングされた画像の質に似た画像の再構成を困難にしているためである。
我々は,k空間と画像領域の両方で学習を行う,深層学習に基づく注目ハイブリッド変分ネットワークを提案する。
論文 参考訳（メタデータ） (2023-06-21T16:19:07Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Single MR Image Super-Resolution using Generative Adversarial Network [0.696125353550498]
Real Enhanced Super Resolution Generative Adrial Network (Real-ESRGAN) は、高解像度画像の生成に使われている最近の効果的なアプローチの1つである。
本稿では,2次元MR画像の空間分解能を高めるために本手法を適用した。
論文 参考訳（メタデータ） (2022-07-16T23:15:10Z) - 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) - 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。