Fugu-MT 論文翻訳(概要): RPLHR-CT Dataset and Transformer Baseline for Volumetric Super-Resolution from CT Scans

論文の概要: RPLHR-CT Dataset and Transformer Baseline for Volumetric Super-Resolution from CT Scans

arxiv url: http://arxiv.org/abs/2206.06253v1
Date: Mon, 13 Jun 2022 15:35:59 GMT
ステータス: 処理完了
システム内更新日: 2022-06-14 14:55:49.437552
Title: RPLHR-CT Dataset and Transformer Baseline for Volumetric Super-Resolution from CT Scans
Title（参考訳）: ctスキャンによる体積超解像のためのrplhr-ctデータセットと変圧器ベースライン
Authors: Pengxin Yu, Haoyue Zhang, Han Kang, Wen Tang, Corey W. Arnold, Rongguo Zhang
Abstract要約: 粗い解像度は、医師またはコンピュータ支援診断アルゴリズムによる医学的診断の困難を引き起こす可能性がある。深層学習に基づく容積超解法(SR法)は、解法を改善するための実現可能な方法である。本稿では,RPLHR-CTをボリュームSRのベンチマークとして構築した。また,CNNの固有の欠点を考慮し,アテンション機構に基づくトランスフォーマーボリューム超解像ネットワーク(TVSRN)を提案する。
参考スコア（独自算出の注目度）: 12.066026343488453
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In clinical practice, anisotropic volumetric medical images with low through-plane resolution are commonly used due to short acquisition time and lower storage cost. Nevertheless, the coarse resolution may lead to difficulties in medical diagnosis by either physicians or computer-aided diagnosis algorithms. Deep learning-based volumetric super-resolution (SR) methods are feasible ways to improve resolution, with convolutional neural networks (CNN) at their core. Despite recent progress, these methods are limited by inherent properties of convolution operators, which ignore content relevance and cannot effectively model long-range dependencies. In addition, most of the existing methods use pseudo-paired volumes for training and evaluation, where pseudo low-resolution (LR) volumes are generated by a simple degradation of their high-resolution (HR) counterparts. However, the domain gap between pseudo- and real-LR volumes leads to the poor performance of these methods in practice. In this paper, we build the first public real-paired dataset RPLHR-CT as a benchmark for volumetric SR, and provide baseline results by re-implementing four state-of-the-art CNN-based methods. Considering the inherent shortcoming of CNN, we also propose a transformer volumetric super-resolution network (TVSRN) based on attention mechanisms, dispensing with convolutions entirely. This is the first research to use a pure transformer for CT volumetric SR. The experimental results show that TVSRN significantly outperforms all baselines on both PSNR and SSIM. Moreover, the TVSRN method achieves a better trade-off between the image quality, the number of parameters, and the running time. Data and code are available at https://github.com/smilenaxx/RPLHR-CT.
Abstract（参考訳）: 臨床では, 取得時間の短縮や保存コストの低減などにより, 平面分解能の低い異方性容積医用画像が一般的に用いられる。しかしながら、この粗い解決は、医師またはコンピュータ支援の診断アルゴリズムによる医療診断の困難につながる可能性がある。深層学習に基づくボリューム超解像(SR)法は、畳み込みニューラルネットワーク(CNN)を中心に、解像度を改善するための実現可能な方法である。近年の進歩にもかかわらず、これらの手法はコンボリューション演算子の性質によって制限されており、コンボリューションの関連性を無視し、長距離依存を効果的にモデル化できない。さらに、既存の手法の多くは擬似ペアドボリュームをトレーニングと評価に使用しており、擬似低分解能(LR)ボリュームは高分解能(HR)ボリュームの単純な劣化によって生成される。しかし、擬似LRボリュームと実LRボリュームのドメインギャップは、実際にはこれらの手法の貧弱な性能をもたらす。本稿では,量的SRのベンチマークとして,最初の公開実対データセット RPLHR-CT を構築し,最先端の CNN ベースの4つの手法を再実装することによって,ベースライン結果を提供する。また,CNNの固有の欠点を考慮し,コンボリューションを完全に排除したアテンション機構に基づくトランスフォーマーボリューム超解像ネットワーク(TVSRN)を提案する。これはCTボリュームSRに純粋なトランスフォーマーを使用した最初の研究である。実験の結果,TVSRNはPSNRとSSIMの両方のベースラインを著しく上回ることがわかった。さらに,TVSRN法では,画像品質,パラメータ数,実行時間とのトレードオフが向上する。データとコードはhttps://github.com/smilenaxx/RPLHR-CTで入手できる。

関連論文リスト

BarlowTwins-CXR : Enhancing Chest X-Ray abnormality localization in heterogeneous data with cross-domain self-supervised learning [1.7479385556004874]
BarlwoTwins-CXRは,胸部X線画像解析の自律的異常局所化のための自己指導型学習戦略である。従来のImageNetの事前訓練モデルと比較して、mAP50の精度は3%向上した。
論文参考訳（メタデータ） (2024-02-09T16:10:13Z)
Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
論文参考訳（メタデータ） (2023-12-19T22:40:51Z)
Enhancing Super-Resolution Networks through Realistic Thick-Slice CT Simulation [4.43162303545687]
深層学習に基づく生成モデルでは、低分解能CT画像を長い取得時間なしで高分解能CT画像に変換する可能性があり、薄スライスCT画像では放射線暴露が増大する。これらの超解法(SR)モデルの適切なトレーニングデータを取得することは困難である。これまでのSR研究では、薄いスライスCT画像から厚いスライスCT画像をシミュレートして、トレーニングペアを作成していた。我々は,薄スライスCT画像から厚いCT画像を生成するための単純かつ現実的な手法を導入し,SRアルゴリズムのトレーニングペアの作成を容易にする。
論文参考訳（メタデータ） (2023-07-02T11:09:08Z)
DA-VSR: Domain Adaptable Volumetric Super-Resolution For Medical Images [69.63915773870758]
本稿では,ドメイン不整合ギャップを補うために,DA-VSR(Domain Adaptable Super- resolution)と呼ばれる新しいアルゴリズムを提案する。 DA-VSRは、統合された特徴抽出バックボーンと一連のネットワークヘッドを使用して、異なる平面上での画像品質を改善する。 DA-VSRは、異なる領域の多くのデータセットにおいて、超解像品質を著しく向上することを示した。
論文参考訳（メタデータ） (2022-10-11T03:16:35Z)
Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文参考訳（メタデータ） (2022-05-08T15:29:54Z)
Convolutional Neural Network to Restore Low-Dose Digital Breast Tomosynthesis Projections in a Variance Stabilization Domain [15.149874383250236]
畳み込みニューラルネットワーク(CNN)は、低線量(LD)投影を標準的なフル線量(FD)取得と同等の画質に復元するために提案されている。平均二乗誤差(MNSE)、正規化訓練時間、ノイズ空間相関の点で従来のデータ駆動方式と比較して、ネットワークは優れた結果を得た。
論文参考訳（メタデータ） (2022-03-22T13:31:47Z)
Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文参考訳（メタデータ） (2021-12-20T03:38:37Z)
A comparative study of paired versus unpaired deep learning methods for physically enhancing digital rock image resolution [0.0]
我々は、ペアデータとペアデータの両方を用いて、最先端の2つのSR深層学習技術と、類似した地上真実データとを厳密に比較した。アンペア化GANアプローチは、ペア化CNN法と同じ精度で、トレーニング時間とデータセット要求に匹敵する精度で、超解像を再構築することができる。これにより、未ペア深層学習を用いたマイクロCT画像強調のための新しい応用が実現される。
論文参考訳（メタデータ） (2021-12-16T05:50:25Z)
Multimodal-Boost: Multimodal Medical Image Super-Resolution using Multi-Attention Network with Wavelet Transform [5.416279158834623]
対応する画像分解能の喪失は、医用画像診断の全体的な性能を低下させる。ディープラーニングベースのシングルイメージスーパーレゾリューション(SISR)アルゴリズムは、全体的な診断フレームワークに革命をもたらした。本研究は,低周波データから高頻度情報を学習する深層マルチアテンションモジュールを用いたGAN(Generative Adversarial Network)を提案する。
論文参考訳（メタデータ） (2021-10-22T10:13:46Z)
Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文参考訳（メタデータ） (2021-03-15T12:54:26Z)
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)

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。