論文の概要: Cross-Modality High-Frequency Transformer for MR Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2203.15314v1
• Date: Tue, 29 Mar 2022 07:56:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-30 15:12:24.107657
• Title: Cross-Modality High-Frequency Transformer for MR Image Super-Resolution
• Title（参考訳）: MR画像超解像用クロスモード高周波変圧器
• Authors: Chaowei Fang, Dingwen Zhang, Liang Wang, Yulun Zhang, Lechao Cheng, Junwei Han
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 100.50972513285598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Improving the resolution of magnetic resonance (MR) image data is critical to computer-aided diagnosis and brain function analysis. Higher resolution helps to capture more detailed content, but typically induces to lower signal-to-noise ratio and longer scanning time. To this end, MR image super-resolution has become a widely-interested topic in recent times. Existing works establish extensive deep models with the conventional architectures based on convolutional neural networks (CNN). In this work, to further advance this research field, we make an early effort to build a Transformer-based MR image super-resolution framework, with careful designs on exploring valuable domain prior knowledge. Specifically, we consider two-fold domain priors including the high-frequency structure prior and the inter-modality context prior, and establish a novel Transformer architecture, called Cross-modality high-frequency Transformer (Cohf-T), to introduce such priors into super-resolving the low-resolution (LR) MR images. Comprehensive experiments on two datasets indicate that Cohf-T achieves new state-of-the-art performance.
• Abstract（参考訳）: 磁気共鳴(MR)画像データの解像度の向上は、コンピュータ支援診断と脳機能解析に不可欠である。 高解像度はより詳細なコンテンツをキャプチャするのに役立つが、通常は信号対雑音比を低くし、走査時間を長くする。 この結果,近年,MR画像の超解像化が注目されている。 既存の研究は、畳み込みニューラルネットワーク(CNN)に基づく従来のアーキテクチャによる広範な深層モデルを確立する。 そこで本研究では,この研究分野をさらに前進させるために,トランスフォーマーベースのmr画像超解像フレームワークを早期に構築し,貴重な領域事前知識の探索に慎重な設計を施す。 具体的には、先行する高周波構造やモード間コンテキストを含む2つのドメイン先行を考察し、Cross-modality High- frequency Transformer (Cohf-T)と呼ばれる新しいトランスフォーマーアーキテクチャを構築し、低分解能(LR)MR画像の超解像化に導入する。 2つのデータセットに関する総合的な実験は、Cohf-Tが新しい最先端のパフォーマンスを達成することを示している。

関連論文リスト

• Effective Diffusion Transformer Architecture for Image Super-Resolution [63.254644431016345]
  画像超解像のための効果的な拡散変換器(DiT-SR)を設計する。 実際には、DiT-SRは全体のU字型アーキテクチャを活用し、すべての変圧器ブロックに対して均一な等方性設計を採用する。 我々は、広く使われているAdaLNの制限を分析し、周波数適応型時間-ステップ条件付けモジュールを提案する。
  論文  参考訳（メタデータ） (2024-09-29T07:14:16Z)
• 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)
• Rethinking Diffusion Model for Multi-Contrast MRI Super-Resolution [10.323643152957114]
  DiffMSRと命名されたマルチコントラストMRI SRの効率的な拡散モデルを提案する。 具体的には、DMをコンパクトな低次元潜在空間に適用し、高周波詳細情報を用いた事前知識を生成する。 さらに, DMが生成した事前知識を十分に活用し, 再構成したMR画像が歪んでいないことを保証しながら, 受信フィールドを拡張できる DM 用デコーダとして, PLWformer を設計する。
  論文  参考訳（メタデータ） (2024-04-07T02:15:43Z)
• Image Reconstruction for Accelerated MR Scan with Faster Fourier Convolutional Neural Networks [87.87578529398019]
  部分走査は、磁気共鳴イメージング(MRI)データ取得を2次元および3次元の両方で加速する一般的な手法である。 本稿では,Faster Fourier Convolution (FasterFC) と呼ばれる新しい畳み込み演算子を提案する。 2次元加速MRI法であるFasterFC-End-to-End-VarNetは、FasterFCを用いて感度マップと再構成品質を改善する。 k空間領域再構成を誘導する単一グループアルゴリズムを用いたFasterFC-based Single-to-group Network (FAS-Net) と呼ばれる3次元加速MRI法
  論文  参考訳（メタデータ） (2023-06-05T13:53:57Z)
• 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)
• HUMUS-Net: Hybrid unrolled multi-scale network architecture for accelerated MRI reconstruction [38.0542877099235]
  HUMUS-Netは、暗黙のバイアスと畳み込みの効率を、無ロールでマルチスケールのネットワークにおけるTransformerブロックのパワーと組み合わせたハイブリッドアーキテクチャである。 我々のネットワークは、最も広く公開されているMRIデータセットである高速MRIデータセット上で、新しい最先端技術を確立する。
  論文  参考訳（メタデータ） (2022-03-15T19:26:29Z)
• Fusformer: A Transformer-based Fusion Approach for Hyperspectral Image Super-resolution [9.022005574190182]
  低分解能ハイパースペクトル像と高分解能マルチスペクトル像を融合させるトランスフォーマーに基づくネットワークを設計する。 LR-HSIは主スペクトル構造を持つため、ネットワークは空間的詳細推定に重点を置いている。 様々な実験と品質指標は、他の最先端手法と比較して、我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2021-09-05T14:00:34Z)
• Accelerated Multi-Modal MR Imaging with Transformers [92.18406564785329]
  MR画像の高速化のためのマルチモーダルトランス(MTrans)を提案する。 トランスアーキテクチャを再構築することで、MTransは深いマルチモーダル情報をキャプチャする強力な能力を得ることができる。 i)MTransはマルチモーダルMRイメージングに改良されたトランスフォーマーを使用する最初の試みであり、CNNベースの手法と比較してよりグローバルな情報を提供する。
  論文  参考訳（メタデータ） (2021-06-27T15:01:30Z)
• SRR-Net: A Super-Resolution-Involved Reconstruction Method for High Resolution MR Imaging [7.42807471627113]
  提案するsrr-netは、視覚品質と知覚品質の両方の高分解能脳画像を復元することができる。 In-vivo HR Multi-coil 脳データを用いた実験の結果,提案したSRR-Netは高分解能脳画像の復元が可能であることが示唆された。
  論文  参考訳（メタデータ） (2021-04-13T02:19:12Z)
• 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。