論文の概要: Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction of Thin-Slice MR Images

• arxiv url: http://arxiv.org/abs/2106.15395v1
• Date: Tue, 29 Jun 2021 13:29:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 15:20:29.273769
• Title: Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction of Thin-Slice MR Images
• Title（参考訳）: 薄切片mr画像再構成のための2段階自己教師付きサイクルコンシスタンスネットワーク
• Authors: Zhiyang Lu, Zheng Li, Jun Wang, Jun shi, Dinggang Shen
• Abstract要約: 太いスライス磁気共鳴(MR)画像は、しばしば冠状および矢状視で構造的にぼやけている。 深層学習は、これらの低分解能(LR)症例から高分解能(HR)薄膜MR画像を再構築する大きな可能性を示している。 MRスライス再構成のための2段階自己監督型サイクル一貫性ネットワーク(TSCNet)を提案する。
• 参考スコア（独自算出の注目度）: 62.4428833931443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The thick-slice magnetic resonance (MR) images are often structurally blurred in coronal and sagittal views, which causes harm to diagnosis and image post-processing. Deep learning (DL) has shown great potential to re-construct the high-resolution (HR) thin-slice MR images from those low-resolution (LR) cases, which we refer to as the slice interpolation task in this work. However, since it is generally difficult to sample abundant paired LR-HR MR images, the classical fully supervised DL-based models cannot be effectively trained to get robust performance. To this end, we propose a novel Two-stage Self-supervised Cycle-consistency Network (TSCNet) for MR slice interpolation, in which a two-stage self-supervised learning (SSL) strategy is developed for unsupervised DL network training. The paired LR-HR images are synthesized along the sagittal and coronal directions of input LR images for network pretraining in the first-stage SSL, and then a cyclic in-terpolation procedure based on triplet axial slices is designed in the second-stage SSL for further refinement. More training samples with rich contexts along all directions are exploited as guidance to guarantee the improved in-terpolation performance. Moreover, a new cycle-consistency constraint is proposed to supervise this cyclic procedure, which encourages the network to reconstruct more realistic HR images. The experimental results on a real MRI dataset indicate that TSCNet achieves superior performance over the conventional and other SSL-based algorithms, and obtains competitive quali-tative and quantitative results compared with the fully supervised algorithm.
• Abstract（参考訳）: 厚いスライス磁気共鳴(MR)画像は、しばしば冠状および矢状視で構造的にぼやけており、診断や画像後処理に害を与える。 深層学習(DL)は,これらの低分解能(LR)症例から高分解能(HR)薄膜MR画像を再構築する大きな可能性を示し,本研究のスライス補間課題と呼ぶ。 しかし, 大量のLR-HR MR画像のサンプリングは一般的に困難であるため, 従来の完全教師付きDLベースモデルは, 堅牢な性能を得るために効果的に訓練できない。 そこで本研究では,mrスライス補間のための2段階自己教師付きサイクルコンシスタンスネットワーク (tscnet) を提案し,非教師なしdlネットワークトレーニングのための2段階自己教師付き学習 (ssl) 戦略を開発した。 このペアLR-HR画像は、第1ステージSSLにおけるネットワークプリトレーニングのための入力LR画像の矢状方向とコロナ方向に沿って合成され、さらに第2ステージSSLにおいて、トリプルト軸スライスに基づく巡回的補間手順が設計される。 改良された補間性能を保証するためのガイダンスとして、あらゆる方向にリッチなコンテキストを持つトレーニングサンプルが利用される。 さらに、この循環手順を監督するために、よりリアルなHR画像の再構成を促す新しいサイクル一貫性制約を提案する。 実MRIデータセットを用いた実験結果から, TSCNetは従来のSSLベースのアルゴリズムよりも優れた性能を示し, 完全教師付きアルゴリズムと比較して, 競合する定性的かつ定量的な結果が得られることがわかった。

関連論文リスト

• ICF-SRSR: Invertible scale-Conditional Function for Self-Supervised Real-world Single Image Super-Resolution [60.90817228730133]
  単一画像超解像(SISR)は、与えられた低解像度(LR)画像を高解像度(HR)にアップサンプリングすることを目的とした課題である。 近年のアプローチは、単純化されたダウンサンプリング演算子によって劣化したシミュレーションLR画像に基づいて訓練されている。 Invertible Scale-Conditional Function (ICF) を提案する。これは入力画像をスケールし、異なるスケール条件で元の入力を復元する。
  論文  参考訳（メタデータ） (2023-07-24T12:42:45Z)
• 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)
• Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
  実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。 深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。 本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
  論文  参考訳（メタデータ） (2022-06-06T13:28:15Z)
• Unsupervised Representation Learning for 3D MRI Super Resolution with Degradation Adaptation [28.296921790037725]
  高分解能(HR)磁気共鳴イメージングは、診断や画像誘導治療において医師を支援する上で重要である。 深層学習に基づく超解像再構成(SRR)は、低分解能(LR)画像から超解像(SR)画像を生成するための有望な解決策として登場した。 このようなニューラルネットワークのトレーニングには、画像取得中と画像取得間の患者の動きのために取得が困難である、整列したHRとLRイメージペアが必要である。
  論文  参考訳（メタデータ） (2022-05-13T21:07:26Z)
• Universal Generative Modeling for Calibration-free Parallel Mr Imaging [13.875986147033002]
  キャリブレーションフリー並列MRIのための教師なしディープラーニングフレームワークを提案する。 我々は、ウェーブレット変換と適応的な反復戦略の両方の利点を統一されたフレームワークで活用する。 我々は、ウェーブレットテンソルをネットワーク入力として形成することにより、強力な雑音条件スコアネットワークを訓練する。
  論文  参考訳（メタデータ） (2022-01-25T10:05:39Z)
• Hierarchical Conditional Flow: A Unified Framework for Image Super-Resolution and Image Rescaling [139.25215100378284]
  画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。 HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。 さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
  論文  参考訳（メタデータ） (2021-08-11T16:11:01Z)
• Perception Consistency Ultrasound Image Super-resolution via Self-supervised CycleGAN [63.49373689654419]
  自己スーパービジョンとサイクル生成対向ネットワーク(CycleGAN)に基づく新しい知覚整合超音波画像超解像法を提案する。 まず,検査用超音波LR画像のHR父子とLR子を画像強調により生成する。 次に、LR-SR-LRとHR-LR-SRのサイクル損失と判別器の対角特性をフル活用して、より知覚的に一貫性のあるSR結果を生成する。
  論文  参考訳（メタデータ） (2020-12-28T08:24:04Z)
• Super Resolution of Arterial Spin Labeling MR Imaging Using Unsupervised Multi-Scale Generative Adversarial Network [9.506036365253184]
  動脈スピンラベリング(ASL)磁気共鳴イメージング(MRI)は、脳血流(CBF)を定量的に測定できる強力なイメージング技術である。 本稿では,教師なし学習によるGAN(Multi-scale Generative Adversarial Network)に基づく超解像法を提案する。
  論文  参考訳（メタデータ） (2020-09-14T01:05:54Z)
• Two-Stage Deep Learning for Accelerated 3D Time-of-Flight MRA without Matched Training Data [33.549981359484406]
  本稿では,新しい2段階の教師なし深層学習手法を提案する。 第1のネットワークは、高品質な並列画像再構成を実現するために、正方形領域(SSoS)の平方根で訓練される。 第2の精製ネットワークは、高度に活性化された血流の特性を効率的に学習するように設計されている。
  論文  参考訳（メタデータ） (2020-08-04T06:36:38Z)

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。