論文の概要: Flow-based Visual Quality Enhancer for Super-resolution Magnetic
Resonance Spectroscopic Imaging
- arxiv url: http://arxiv.org/abs/2207.10181v1
- Date: Wed, 20 Jul 2022 20:19:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-22 12:39:07.135887
- Title: Flow-based Visual Quality Enhancer for Super-resolution Magnetic
Resonance Spectroscopic Imaging
- Title(参考訳): 超高分解能磁気共鳴分光画像のためのフローベースビジュアルクオリティエンハンサー
- Authors: Siyuan Dong, Gilbert Hangel, Eric Z. Chen, Shanhui Sun, Wolfgang
Bogner, Georg Widhalm, Chenyu You, John A. Onofrey, Robin de Graaf, James S.
Duncan
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 13.408365072149795
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Magnetic Resonance Spectroscopic Imaging (MRSI) is an essential tool for
quantifying metabolites in the body, but the low spatial resolution limits its
clinical applications. Deep learning-based super-resolution methods provided
promising results for improving the spatial resolution of MRSI, but the
super-resolved images are often blurry compared to the experimentally-acquired
high-resolution images. Attempts have been made with the generative adversarial
networks to improve the image visual quality. In this work, we consider another
type of generative model, the flow-based model, of which the training is more
stable and interpretable compared to the adversarial networks. Specifically, we
propose a flow-based enhancer network to improve the visual quality of
super-resolution MRSI. Different from previous flow-based models, our enhancer
network incorporates anatomical information from additional image modalities
(MRI) and uses a learnable base distribution. In addition, we impose a guide
loss and a data-consistency loss to encourage the network to generate images
with high visual quality while maintaining high fidelity. Experiments on a
1H-MRSI dataset acquired from 25 high-grade glioma patients indicate that our
enhancer network outperforms the adversarial networks and the baseline
flow-based methods. Our method also allows visual quality adjustment and
uncertainty estimation.
- Abstract(参考訳): MRSI(MR Resonance Spectroscopic Imaging)は、体内の代謝物の定量化に欠かせないツールであるが、低空間分解能は臨床応用を制限する。
深層学習に基づく超解像法はMRSIの空間分解能を改善するための有望な結果を与えたが、超解像は実験的に取得した高分解能画像と比較してしばしばぼやけている。
画像の視覚品質を改善するために、生成的敵ネットワークで試みられている。
そこで本研究では,学習がより安定かつ解釈可能なフローベースモデルという,他のタイプの生成モデルについて考察する。
具体的には,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。
従来のフローベースモデルとは違って,我々のエンハンサーネットワークでは,画像モダリティ(MRI)の解剖情報を付加し,学習可能なベース分布を用いる。
また,高い忠実性を維持しつつ,高画質の画像を生成するようネットワークに促すため,ガイドロスとデータ一貫性ロスを課す。
25名の高次グリオーマ患者から取得した1H-MRSIデータセットを用いた実験により,我々のエンハンサーネットワークは対向ネットワークやベースラインフローベース手法よりも優れていることが示された。
また,視覚的品質調整や不確実性推定も可能である。
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) - Hybrid attention structure preserving network for reconstruction of under-sampled OCT images [0.30693357740321775]
我々は,HASPN(Hybrid attention structure Preserving Network)を提案する。
適応的拡張畳み込み型チャネルアテンション(ADCCA)と空間アテンション(ESA)を利用して特徴のチャネルと空間情報をよりよく捉えた。
HASPNは糖尿病黄斑浮腫網膜データセットに適用され、その優れた一般化能が検証された。
論文 参考訳(メタデータ) (2024-06-01T03:07:28Z) - Diffusion Model Based Visual Compensation Guidance and Visual Difference
Analysis for No-Reference Image Quality Assessment [82.13830107682232]
本稿では, 複雑な関係をモデル化する能力を示す, 最先端(SOTA)生成モデルを提案する。
生成した拡張画像とノイズを含む画像を利用する新しい拡散復元ネットワークを考案する。
2つの視覚評価枝は、得られた高レベル特徴情報を包括的に解析するように設計されている。
論文 参考訳(メタデータ) (2024-02-22T09:39:46Z) - 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) - Fine-tuned Generative Adversarial Network-based Model for Medical Image Super-Resolution [2.647302105102753]
The Real-Enhanced Super-Resolution Generative Adversarial Network (Real-ESRGAN) is a practical model for recovery HR images from real-world LR images。
実世界の画像劣化をシミュレートするReal-ESRGANの高次劣化モデルを用いる。
提案モデルでは,Real-ESRGANモデルに比べて知覚品質が優れ,細部を効果的に保存し,より現実的なテクスチャで画像を生成する。
論文 参考訳(メタデータ) (2022-11-01T16:48:04Z) - HDNet: High-resolution Dual-domain Learning for Spectral Compressive
Imaging [138.04956118993934]
HSI再構成のための高分解能デュアルドメイン学習ネットワーク(HDNet)を提案する。
一方、高効率な特徴融合によるHR空間スペクトルアテンションモジュールは、連続的かつ微細な画素レベルの特徴を提供する。
一方、HSI再構成のために周波数領域学習(FDL)を導入し、周波数領域の差を狭める。
論文 参考訳(メタデータ) (2022-03-04T06:37:45Z) - 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) - Iterative Network for Image Super-Resolution [69.07361550998318]
単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。
本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。
反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
論文 参考訳(メタデータ) (2020-05-20T11:11:47Z) - ODE-based Deep Network for MRI Reconstruction [1.569044447685249]
画像品質を向上したMR画像の高速取得を実現するために,MRI再構成のためのODEベースのディープネットワークを提案する。
提案手法は, 標準UNetネットワークとResidualネットワークをベースとした再構成手法と比較して, 高品質な画像を提供できることを示す。
論文 参考訳(メタデータ) (2019-12-27T20:13:30Z)
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。