論文の概要: STRESS: Super-Resolution for Dynamic Fetal MRI using Self-Supervised
Learning
- arxiv url: http://arxiv.org/abs/2106.12407v1
- Date: Wed, 23 Jun 2021 13:52:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-24 15:13:50.836130
- Title: STRESS: Super-Resolution for Dynamic Fetal MRI using Self-Supervised
Learning
- Title(参考訳): STESS:自己監督学習を用いた動的胎児MRIの超解像
- Authors: Junshen Xu, Esra Abaci Turk, P. Ellen Grant, Polina Golland, Elfar
Adalsteinsson
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 2.5581619987137048
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fetal motion is unpredictable and rapid on the scale of conventional MR scan
times. Therefore, dynamic fetal MRI, which aims at capturing fetal motion and
dynamics of fetal function, is limited to fast imaging techniques with
compromises in image quality and resolution. Super-resolution for dynamic fetal
MRI is still a challenge, especially when multi-oriented stacks of image slices
for oversampling are not available and high temporal resolution for recording
the dynamics of the fetus or placenta is desired. Further, fetal motion makes
it difficult to acquire high-resolution images for supervised learning methods.
To address this problem, in this work, we propose STRESS (Spatio-Temporal
Resolution Enhancement with Simulated Scans), a self-supervised
super-resolution framework for dynamic fetal MRI with interleaved slice
acquisitions. Our proposed method simulates an interleaved slice acquisition
along the high-resolution axis on the originally acquired data to generate
pairs of low- and high-resolution images. Then, it trains a super-resolution
network by exploiting both spatial and temporal correlations in the MR time
series, which is used to enhance the resolution of the original data.
Evaluations on both simulated and in utero data show that our proposed method
outperforms other self-supervised super-resolution methods and improves image
quality, which is beneficial to other downstream tasks and evaluations.
- Abstract(参考訳): 胎児の運動は、従来のMRIスキャンのスケールでは予測不可能で急速である。
したがって、胎児の運動と胎児機能のダイナミックスを捉えることを目的とした動的胎児MRIは、画像品質と解像度の妥協を伴う高速イメージング技術に限られる。
特にオーバーサンプリングのための多方向画像スライススタックが利用できず、胎児や胎盤のダイナミックスを記録するための高時間分解能が望まれる場合、動的胎児MRIの超高解像度化は依然として課題である。
さらに、胎児の動きは、教師あり学習方法のための高解像度画像を得るのを難しくする。
そこで本研究では,動的胎児MRIのための自己監督型超解像フレームワークSTRESS(Spatio-Temporal Resolution Enhancement with Simulated Scans)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,元々取得したデータの高分解能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。
そして、MR時系列における空間的相関と時間的相関を利用して、元のデータの解像度を高めることで超解像ネットワークを訓練する。
シミュレーションおよび子宮内データによる評価は,提案手法が他の自己教師付き超解像法より優れ,画質が向上し,他の下流タスクや評価に有用であることを示す。
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) - 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) - Implicit Diffusion Models for Continuous Super-Resolution [65.45848137914592]
本稿では,高忠実度連続画像超解像のためのインプリシティ拡散モデル(IDM)を提案する。
IDMは暗黙のニューラル表現とデノナイジング拡散モデルを統合されたエンドツーエンドフレームワークに統合する。
スケーリング係数は分解能を調節し、最終出力におけるLR情報と生成された特徴の比率を変調する。
論文 参考訳(メタデータ) (2023-03-29T07:02:20Z) - 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) - DDoS-UNet: Incorporating temporal information using Dynamic Dual-channel
UNet for enhancing super-resolution of dynamic MRI [0.27998963147546135]
磁気共鳴イメージング(MRI)は、有害な電離放射線を使わずに、高い空間分解能と優れた軟質コントラストを提供する。
時間分解能の高いMRIでは空間分解能が制限される。
このトレードオフを緩和するために、ディープラーニングに基づく超解像アプローチが提案されている。
本研究は,空間的関係と時間的関係の両方を学習しようとする深層学習モデルを作成することで,この問題に対処する。
論文 参考訳(メタデータ) (2022-02-10T22:20:58Z) - 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) - Fine-tuning deep learning model parameters for improved super-resolution
of dynamic MRI with prior-knowledge [0.3914676152740142]
本研究は,空間情報を最大化するために,事前知識に基づく微調整による超解像(SR)MRI再構成を提案する。
損失のあるU-Netベースのネットワークをベンチマークでトレーニングし、1つの被写体固有の静的高分解能MRIを用いて微調整を行い、高分解能ダイナミック画像を得る。
論文 参考訳(メタデータ) (2021-02-04T16:11:53Z) - 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。