論文の概要: Frequency-Supervised MR-to-CT Image Synthesis
- arxiv url: http://arxiv.org/abs/2107.08962v1
- Date: Mon, 19 Jul 2021 15:18:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-20 18:00:39.268501
- Title: Frequency-Supervised MR-to-CT Image Synthesis
- Title（参考訳）: MR-to-CT画像合成の周波数短縮
- Authors: Zenglin Shi, Pascal Mettes, Guoyan Zheng, and Cees Snoek
- Abstract要約: 本稿では磁気共鳴(MR)画像から合成CT画像を生成する。
既存のアプローチはすべて共通の制限を共有しており、CT画像の高周波部分と周辺を再構成する。
我々は,高頻度MR-CT画像再構成を明示的に向上するために,周波数教師付きディープネットワークを導入する。
- 参考スコア（独自算出の注目度）: 23.47506325756089
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper strives to generate a synthetic computed tomography (CT) image
from a magnetic resonance (MR) image. The synthetic CT image is valuable for
radiotherapy planning when only an MR image is available. Recent approaches
have made large strides in solving this challenging synthesis problem with
convolutional neural networks that learn a mapping from MR inputs to CT
outputs. In this paper, we find that all existing approaches share a common
limitation: reconstruction breaks down in and around the high-frequency parts
of CT images. To address this common limitation, we introduce
frequency-supervised deep networks to explicitly enhance high-frequency
MR-to-CT image reconstruction. We propose a frequency decomposition layer that
learns to decompose predicted CT outputs into low- and high-frequency
components, and we introduce a refinement module to improve high-frequency
reconstruction through high-frequency adversarial learning. Experimental
results on a new dataset with 45 pairs of 3D MR-CT brain images show the
effectiveness and potential of the proposed approach. Code is available at
\url{https://github.com/shizenglin/Frequency-Supervised-MR-to-CT-Image-Synthesis}.
- Abstract（参考訳）: 本稿では磁気共鳴(MR)画像から合成CT画像を生成する。
この合成CT画像は、MR画像のみが利用可能である場合の放射線治療計画に有用である。
近年のアプローチでは、MR入力からCT出力へのマッピングを学習する畳み込みニューラルネットワークを用いて、この難解な合成問題を解くために大きな進歩を遂げている。
本稿では,既存手法のすべてに共通する限界があることを見いだし,CT画像の高周波領域内および周辺を再構成する手法について述べる。
この制限に対処するため,高頻度MR-CT画像再構成を明示的に向上するために,周波数教師付きディープネットワークを導入する。
本稿では,予測されたct出力を低周波数成分と高周波数成分に分解することを学ぶ周波数分解層を提案し,高周波数逆学習による高周波数再構成を改善するための改良モジュールを提案する。
45組のMR-CT脳画像を用いた新しいデータセットの実験結果から,提案手法の有効性と可能性を示した。
コードは \url{https://github.com/shizenglin/ frequency-supervised-mr-to-ct-image- synthesis} で入手できる。
関連論文リスト
- Towards General Text-guided Image Synthesis for Customized Multimodal Brain MRI Generation [51.28453192441364]
マルチモーダル脳磁気共鳴(MR)イメージングは神経科学や神経学において不可欠である。
現在のMR画像合成アプローチは、通常、特定のタスクのための独立したデータセットで訓練される。
テキスト誘導ユニバーサルMR画像合成モデルであるTUMSynについて述べる。
論文 参考訳（メタデータ） (2024-09-25T11:14:47Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳（メタデータ） (2023-11-22T05:44:51Z) - Enhanced Synthetic MRI Generation from CT Scans Using CycleGAN with
Feature Extraction [3.2088888904556123]
合成MRI画像を用いたCTスキャンによるモノモーダル登録の高速化手法を提案する。
提案手法は有望な結果を示し,いくつかの最先端手法より優れていた。
論文 参考訳（メタデータ） (2023-10-31T16:39:56Z) - Cine cardiac MRI reconstruction using a convolutional recurrent network
with refinement [9.173298795526152]
心臓MRI再建における時間的相関を利用した畳み込みリカレントニューラルネットワーク(CRNN)アーキテクチャについて検討した。
これは、単一画像の超解像度リファインメントモジュールと組み合わせて、単一コイルの再構築を4.4%、正規化平均二乗誤差3.9%改善する。
提案モデルでは, ベースライン症例と比較して有意に拡張され, 心臓MRI再建のさらなる改善に有望な可能性を秘めている。
論文 参考訳（メタデータ） (2023-09-23T14:07:04Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - Synthetic CT Generation from MRI using 3D Transformer-based Denoising
Diffusion Model [2.232713445482175]
磁気共鳴イメージング(MRI)を用いたシンセティックCT(sCT)は放射線治療計画を簡単にする。
本稿では,MRIを高品質なsCTに変換するためのMRI-to-CT変換器を用いた denoising diffusion probabilistic model (MC-DDPM)を提案する。
論文 参考訳（メタデータ） (2023-05-31T00:32:00Z) - Meta-Learning Enabled Score-Based Generative Model for 1.5T-Like Image
Reconstruction from 0.5T MRI [22.024215676838185]
本稿では,教師の学習機構を活用したメタラーニング手法を提案する。
最適なトランスポート駆動型教師は,高磁場MRI画像から低磁場MR画像への劣化過程を学習する。
そして、スコアベースの学生は、低磁場MRIから高磁場のようなMR像を再構成する逆問題を解決する。
論文 参考訳（メタデータ） (2023-05-04T02:40:42Z) - ReconFormer: Accelerated MRI Reconstruction Using Recurrent Transformer [60.27951773998535]
本稿では,MRI再構成のためのリカレントトランスモデルである textbfReconFormer を提案する。
高度にアンダーサンプリングされたk空間データから高純度磁気共鳴像を反復的に再構成することができる。
パラメータ効率が向上し,最先端手法よりも大幅に向上したことを示す。
論文 参考訳（メタデータ） (2022-01-23T21:58:19Z) - Total-Body Low-Dose CT Image Denoising using Prior Knowledge Transfer
Technique with Contrastive Regularization Mechanism [4.998352078907441]
放射線線量が少ないと、ノイズやアーティファクトが増加し、臨床診断に大きな影響を及ぼす可能性がある。
高品質な全身低線量CT(LDCT)画像を得るため,従来の深層学習に基づく研究は様々なネットワークアーキテクチャを導入している。
本稿では,NDCT画像から抽出した知識を活用する,新しいタスク内知識伝達手法を提案する。
論文 参考訳（メタデータ） (2021-12-01T06:46:38Z) - Reference-based Magnetic Resonance Image Reconstruction Using Texture
Transforme [86.6394254676369]
高速MRI再構成のための新しいテクスチャトランスフォーマーモジュール(TTM)を提案する。
変換器のクエリやキーとしてアンダーサンプルのデータと参照データを定式化する。
提案したTTMは、MRIの再構成手法に積み重ねることで、その性能をさらに向上させることができる。
論文 参考訳（メタデータ） (2021-11-18T03:06:25Z) - 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)
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。