論文の概要: Multi-scale Super-resolution Magnetic Resonance Spectroscopic Imaging with Adjustable Sharpness

• arxiv url: http://arxiv.org/abs/2206.08984v1
• Date: Fri, 17 Jun 2022 19:33:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-22 15:30:44.181140
• Title: Multi-scale Super-resolution Magnetic Resonance Spectroscopic Imaging with Adjustable Sharpness
• Title（参考訳）: 調整可能なシャープネスを用いたマルチスケール高分解能磁気共鳴分光イメージング
• Authors: Siyuan Dong, Gilbert Hangel, Wolfgang Bogner, Georg Widhalm, Karl R\"ossler, Siegfried Trattnig, Chenyu You, Robin de Graaf, John Onofrey, James Duncan
• Abstract要約: 既存のディープラーニングベースのMRSI超解像法では、アップスケーリング係数ごとに個別のネットワークをトレーニングする必要がある。 本稿では、アップスケーリング係数に基づいて畳み込みフィルタを変調するフィルタスケーリング戦略を用いて、このマルチスケール超解像問題に取り組む。 我々のネットワークは、超解法メタボリックマップの知覚的シャープネスを1つのネットワーク内で調整できるように、対向損失の重みに条件付けされている。
• 参考スコア（独自算出の注目度）: 8.298481644220848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Magnetic Resonance Spectroscopic Imaging (MRSI) is a valuable tool for studying metabolic activities in the human body, but the current applications are limited to low spatial resolutions. The existing deep learning-based MRSI super-resolution methods require training a separate network for each upscaling factor, which is time-consuming and memory inefficient. We tackle this multi-scale super-resolution problem using a Filter Scaling strategy that modulates the convolution filters based on the upscaling factor, such that a single network can be used for various upscaling factors. Observing that each metabolite has distinct spatial characteristics, we also modulate the network based on the specific metabolite. Furthermore, our network is conditioned on the weight of adversarial loss so that the perceptual sharpness of the super-resolved metabolic maps can be adjusted within a single network. We incorporate these network conditionings using a novel Multi-Conditional Module. The experiments were carried out on a 1H-MRSI dataset from 15 high-grade glioma patients. Results indicate that the proposed network achieves the best performance among several multi-scale super-resolution methods and can provide super-resolved metabolic maps with adjustable sharpness.
• Abstract（参考訳）: MRSI(MR Resonance Spectroscopic Imaging)は人体における代謝活性を研究するための貴重なツールであるが、現在の応用は低空間分解能に限られている。 既存のディープラーニングベースのMRSI超解像法では、アップスケーリング係数ごとに別々のネットワークをトレーニングする必要がある。 我々は,このマルチスケールの超解像問題に対して,アップスケーリング係数に基づいて畳み込みフィルタを変調するフィルタスケーリング戦略を用いて対処する。 それぞれの代謝物が異なる空間的特性を有することを観察し、特定の代謝物に基づいてネットワークを変調する。 さらに,本ネットワークは,超解法メタボリックマップの知覚的シャープネスを1つのネットワーク内で調整できるように,対向損失の重み付けを行う。 これらのネットワークコンディショニングを,新しいマルチコンディショナルモジュールを用いて組み込む。 15名の高次グリオーマ患者の1H-MRSIデータセットを用いて実験を行った。 以上の結果から,提案ネットワークは複数の超解像法において最高の性能を達成でき,鋭さを調整可能な超解像メタボリックマップを提供できることがわかった。

関連論文リスト

• A Flow-based Truncated Denoising Diffusion Model for Super-resolution Magnetic Resonance Spectroscopic Imaging [34.32290273033808]
  本研究は,超高分解能MRSIのためのフローベースTrncated Denoising Diffusion Modelを導入する。 拡散鎖を切断することで拡散過程を短縮し, 正規化フローベースネットワークを用いて切断工程を推定する。 FTDDMは既存の生成モデルよりも優れており、サンプリングプロセスを9倍以上高速化している。
  論文  参考訳（メタデータ） (2024-10-25T03:42:35Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• CWT-Net: Super-resolution of Histopathology Images Using a Cross-scale Wavelet-based Transformer [15.930878163092983]
  超解像(SR)は低解像度画像の品質を高めることを目的としており、医用画像に広く応用されている。 我々は,画像ウェーブレット変換とトランスフォーマーアーキテクチャを利用した,CWT-Netと呼ばれる新しいネットワークを提案する。 本モデルは, 性能評価と可視化評価において, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-09-11T08:26:28Z)
• A Multi-Resolution Mutual Learning Network for Multi-Label ECG Classification [11.105845244103506]
  本稿では,Multi-Resolution Mutual Learning Network (MRM-Net)を提案する。 MRM-Netはデュアルレゾリューションアテンションアーキテクチャと機能補完機構を備えている。 マルチラベルのECG分類性能において、既存の手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-06-12T13:40:03Z)
• Multi-Scale Implicit Transformer with Re-parameterize for Arbitrary-Scale Super-Resolution [2.4865475189445405]
  マルチスケールインプリシットトランス(MSIT) MSITは、MSNO(Multi-scale Neural Operator)とMSSA(Multi-scale Self-Attention)から構成される。
  論文  参考訳（メタデータ） (2024-03-11T09:23:20Z)
• Physics-Inspired Degradation Models for Hyperspectral Image Fusion [61.743696362028246]
  ほとんどの融合法は、融合アルゴリズム自体にのみ焦点をあて、分解モデルを見落としている。 我々は、LR-HSIとHR-MSIの劣化をモデル化するための物理インスパイアされた劣化モデル(PIDM)を提案する。 提案したPIDMは,既存の核融合法における核融合性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-02-04T09:07:28Z)
• ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and Multispectral Data Fusion [54.668445421149364]
  HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。 本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
  論文  参考訳（メタデータ） (2023-10-11T07:30:37Z)
• Overcoming Distribution Mismatch in Quantizing Image Super-Resolution Networks [53.23803932357899]
  量子化は画像超解像(SR)ネットワークの精度を低下させる。 既存の作業は、テスト時間中に量子化範囲を動的に適応することで、この分散ミスマッチ問題に対処する。 本稿では,SRネットワークにおける分散ミスマッチ問題を効果的に克服する量子化対応学習手法を提案する。
  論文  参考訳（メタデータ） (2023-07-25T08:50:01Z)
• Flow-based Visual Quality Enhancer for Super-resolution Magnetic Resonance Spectroscopic Imaging [13.408365072149795]
  超高解像度MRSIの視覚的品質を向上させるためのフローベースエンハンサーネットワークを提案する。 我々のエンハンサーネットワークは、追加画像モダリティ(MRI)から解剖情報を取り込み、学習可能なベース分布を使用する。 また,視覚的品質調整や不確実性推定も可能である。
  論文  参考訳（メタデータ） (2022-07-20T20:19:44Z)
• 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)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)

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。