Fugu-MT 論文翻訳(概要): Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution

論文の概要: Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution

arxiv url: http://arxiv.org/abs/2203.13963v1
Date: Sat, 26 Mar 2022 01:42:59 GMT
ステータス: 処理完了
システム内更新日: 2022-04-03 03:10:57.817457
Title: Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution
Title（参考訳）: マルチコントラストmriのためのトランスフォーマティブマルチスケールコンテクストマッチングとアグリゲーション
Authors: Guangyuan Li, Jun Lv, Yapeng Tian, Qi Dou, Chengyan Wang, Chenliang Xu and Jing Qin
Abstract要約: 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。
参考スコア（独自算出の注目度）: 55.52779466954026
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Magnetic resonance imaging (MRI) can present multi-contrast images of the same anatomical structures, enabling multi-contrast super-resolution (SR) techniques. Compared with SR reconstruction using a single-contrast, multi-contrast SR reconstruction is promising to yield SR images with higher quality by leveraging diverse yet complementary information embedded in different imaging modalities. However, existing methods still have two shortcomings: (1) they neglect that the multi-contrast features at different scales contain different anatomical details and hence lack effective mechanisms to match and fuse these features for better reconstruction; and (2) they are still deficient in capturing long-range dependencies, which are essential for the regions with complicated anatomical structures. We propose a novel network to comprehensively address these problems by developing a set of innovative Transformer-empowered multi-scale contextual matching and aggregation techniques; we call it McMRSR. Firstly, we tame transformers to model long-range dependencies in both reference and target images. Then, a new multi-scale contextual matching method is proposed to capture corresponding contexts from reference features at different scales. Furthermore, we introduce a multi-scale aggregation mechanism to gradually and interactively aggregate multi-scale matched features for reconstructing the target SR MR image. Extensive experiments demonstrate that our network outperforms state-of-the-art approaches and has great potential to be applied in clinical practice. Codes are available at https://github.com/XAIMI-Lab/McMRSR.
Abstract（参考訳）: 磁気共鳴イメージング(mri)は、同じ解剖学的構造のマルチコントラスト像を呈し、マルチコントラストスーパーレゾリューション(sr)技術を可能にする。単一コントラストを用いたSR再構成と比較して、マルチコントラストSR再構成は、異なる画像モードに埋め込まれた多様な相補的な情報を活用することにより、SR画像の高画質化を約束する。しかし, 従来の手法では, 異なるスケールのマルチコントラストの特徴が異なる解剖学的詳細を含まないため, それらの特徴に適合・融合する効果的な機構が欠如していること, 2) 複雑な解剖学的構造を持つ領域に不可欠な長距離依存関係の取得には不十分であること, の2つの欠点がある。我々は,これらの問題を包括的に解決する新しいネットワークを提案し,このネットワークをMcMRSRと呼ぶ,革新的なマルチスケールコンテキストマッチングと集約技術を開発した。まず、トランスフォーマーに参照画像とターゲット画像の両方の長距離依存性をモデル化させる。次に,異なるスケールで参照特徴から対応するコンテキストをキャプチャするために,新しいマルチスケールコンテキストマッチング手法を提案する。さらに,対象のSR MR画像の再構成を行うためのマルチスケールマッチング特徴を,徐々にインタラクティブに集約するマルチスケールアグリゲーション機構を導入する。我々のネットワークは最先端のアプローチよりも優れており,臨床応用の可能性も大きい。コードはhttps://github.com/XAIMI-Lab/McMRSRで公開されている。

関連論文リスト

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)
Compound Attention and Neighbor Matching Network for Multi-contrast MRI Super-resolution [7.197850827700436]
MRIのマルチコントラスト超解像は、シングルイメージ超解像よりも優れた結果が得られる。マルチコントラストMRI SRのための合成アテンションと近接マッチング(CANM-Net)を備えた新しいネットワークアーキテクチャを提案する。 CANM-Netは、ふりかえりと将来の実験において最先端のアプローチより優れている。
論文参考訳（メタデータ） (2023-07-05T09:44:02Z)
JoJoNet: Joint-contrast and Joint-sampling-and-reconstruction Network for Multi-contrast MRI [49.29851365978476]
提案フレームワークは,各画像コントラストに対するサンプリングマスク生成器と,コントラスト間相関と繰り返し構造とを併用した再構成器とから構成される。各画像コントラストの加速度比も学習可能であり、下流タスク性能によって駆動することができる。
論文参考訳（メタデータ） (2022-10-22T20:46:56Z)
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)
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)
Multi-Modal MRI Reconstruction with Spatial Alignment Network [51.74078260367654]
臨床実践では、複数のコントラストを持つMRIが1つの研究で取得されるのが普通である。近年の研究では、異なるコントラストやモダリティの冗長性を考慮すると、k空間にアンダーサンプリングされたMRIの目標モダリティは、完全にサンプリングされたシーケンスの助けを借りてよりよく再構成できることが示されている。本稿では,空間アライメントネットワークと再構成を統合し,再構成対象のモダリティの質を向上させる。
論文参考訳（メタデータ） (2021-08-12T08:46:35Z)
Multi-Contrast MRI Super-Resolution via a Multi-Stage Integration Network [31.591461062282384]
超解像(SR)はMRIの画質向上に重要な役割を担っている MRIはマルチコントラスト画像を生成し、軟部組織の明瞭な表示を提供する。本研究では,マルチコントラストMRI SRのための多段階統合ネットワーク (MINet) を提案する。
論文参考訳（メタデータ） (2021-05-19T06:47:31Z)
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)
Isotropic multichannel total variation framework for joint reconstruction of multicontrast parallel MRI [0.0]
我々は、等方性MC画像正規化器を導入し、圧縮MCマルチコイルMRIに統合することで、その潜在能力を最大限に発揮する。提案した等方的正則化器は、最先端の再構築法の多くより優れている。
論文参考訳（メタデータ） (2020-06-07T11:44:54Z)

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。