論文の概要: FA-GAN: Fused Attentive Generative Adversarial Networks for MRI Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2108.03920v1
• Date: Mon, 9 Aug 2021 10:21:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 22:01:02.629557
• Title: FA-GAN: Fused Attentive Generative Adversarial Networks for MRI Image Super-Resolution
• Title（参考訳）: FA-GAN:MRI画像超解像のための融合注意生成対向ネットワーク
• Authors: Mingfeng Jiang, Minghao Zhi, Liying Wei, Xiaocheng Yang, Jucheng Zhang, Yongming Li, Pin Wang, Jiahao Huang, Guang Yang
• Abstract要約: 超高分解能磁気共鳴画像を生成するためにFA-GAN(Fused Attentive Generative Adversarial Networks)と呼ばれるフレームワークを提案する。 ネットワークのトレーニングには40組の3次元磁気共鳴画像を使用し,提案手法の試験には10セットのイメージを用いている。
• 参考スコア（独自算出の注目度）: 8.778205385041549
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution magnetic resonance images can provide fine-grained anatomical information, but acquiring such data requires a long scanning time. In this paper, a framework called the Fused Attentive Generative Adversarial Networks(FA-GAN) is proposed to generate the super-resolution MR image from low-resolution magnetic resonance images, which can reduce the scanning time effectively but with high resolution MR images. In the framework of the FA-GAN, the local fusion feature block, consisting of different three-pass networks by using different convolution kernels, is proposed to extract image features at different scales. And the global feature fusion module, including the channel attention module, the self-attention module, and the fusion operation, is designed to enhance the important features of the MR image. Moreover, the spectral normalization process is introduced to make the discriminator network stable. 40 sets of 3D magnetic resonance images (each set of images contains 256 slices) are used to train the network, and 10 sets of images are used to test the proposed method. The experimental results show that the PSNR and SSIM values of the super-resolution magnetic resonance image generated by the proposed FA-GAN method are higher than the state-of-the-art reconstruction methods.
• Abstract（参考訳）: 高分解能磁気共鳴画像は微細な解剖学的情報を提供するが、そのようなデータの取得には長い走査時間を要する。 本稿では,低分解能磁気共鳴画像から高分解能MR画像を生成するために,FA-GAN(Fused Attentive Generative Adversarial Networks)と呼ばれるフレームワークを提案する。 FA-GANのフレームワークでは、異なる畳み込みカーネルを用いて異なる3パスネットワークからなる局所融合特徴ブロックを提案し、異なるスケールで画像特徴を抽出する。 また、チャンネルアテンションモジュール、セルフアテンションモジュール、核融合操作を含むグローバル特徴融合モジュールは、mr画像の重要な特徴を強化するように設計されている。 さらに、スペクトル正規化プロセスを導入し、判別器ネットワークを安定させる。 ネットワークのトレーニングには40セットの3d磁気共鳴画像(各セットのイメージは256のスライスを含む)を使用し、提案手法をテストするために10セットのイメージを使用する。 FA-GAN法により生成された超高分解能磁気共鳴画像のPSNRおよびSSIM値は,最先端の再構成法よりも高いことを示す。

関連論文リスト

• Learning Two-factor Representation for Magnetic Resonance Image Super-resolution [1.294284364022674]
  2要素表現に基づくMR画像超解像法を提案する。 具体的には、強度信号を学習可能な基底と係数の線形結合に分解する。 提案手法は最先端の性能を達成し,より優れた視覚的忠実度とロバスト性を実現する。
  論文  参考訳（メタデータ） (2024-09-15T13:32:24Z)
• 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)
• Flexible Alignment Super-Resolution Network for Multi-Contrast MRI [7.727046305845654]
  超解像は、より正確な医療分析のために低解像度の画像を前処理する上で重要な役割を担っている。 マルチコントラスト磁気共鳴画像のためのフレキシブルアライメント・スーパーリゾリューション・ネットワーク(FASR-Net)を提案する。
  論文  参考訳（メタデータ） (2022-10-07T11:07:20Z)
• 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)
• Cross-Modality High-Frequency Transformer for MR Image Super-Resolution [100.50972513285598]
  我々はTransformerベースのMR画像超解像フレームワークを構築するための初期の取り組みを構築した。 我々は、高周波構造とモード間コンテキストを含む2つの領域先行について考察する。 我々は,Cross-modality High- frequency Transformer (Cohf-T)と呼ばれる新しいTransformerアーキテクチャを構築し,低解像度画像の超解像化を実現する。
  論文  参考訳（メタデータ） (2022-03-29T07:56:55Z)
• 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)
• 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)
• 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 Perceptive GANs for Brain MR Image Super-Resolution in Wavelet Domain [23.23392380531189]
  高分解能(HR)磁気共鳴(MR)画像を生成するために,FP-GAN(Fepceptive Generative Adversarial Network)を提案する。 MultiRes_7Tデータセットの実験により、FP-GANsは競合する手法よりも定量的に質的に優れていることが示された。
  論文  参考訳（メタデータ） (2020-11-09T02:09:44Z)
• Hyperspectral-Multispectral Image Fusion with Weighted LASSO [68.04032419397677]
  本稿では,高スペクトル像と多スペクトル像を融合させて高画質な高スペクトル出力を実現する手法を提案する。 提案したスパース融合と再構成は,既存の公開画像の手法と比較して,定量的に優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-03-15T23:07:56Z)
• 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。