論文の概要: Flexible Alignment Super-Resolution Network for Multi-Contrast MRI

• arxiv url: http://arxiv.org/abs/2210.03460v1
• Date: Fri, 7 Oct 2022 11:07:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 14:54:10.285423
• Title: Flexible Alignment Super-Resolution Network for Multi-Contrast MRI
• Title（参考訳）: マルチコントラストMRIのためのフレキシブルアライメント超解像ネットワーク
• Authors: Yiming Liu, Mengxi Zhang, Weiqin Zhang, Bo Hou, Dan Liu, Heqing Lian, Bo Jiang
• Abstract要約: 超解像は、より正確な医療分析のために低解像度の画像を前処理する上で重要な役割を担っている。 マルチコントラスト磁気共鳴画像のためのフレキシブルアライメント・スーパーリゾリューション・ネットワーク(FASR-Net)を提案する。
• 参考スコア（独自算出の注目度）: 7.727046305845654
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Magnetic resonance images play an essential role in clinical diagnosis by acquiring the structural information of biological tissue. However, during acquiring magnetic resonance images, patients have to endure physical and psychological discomfort, including irritating noise and acute anxiety. To make the patient feel cozier, technically, it will reduce the retention time that patients stay in the strong magnetic field at the expense of image quality. Therefore, Super-Resolution plays a crucial role in preprocessing the low-resolution images for more precise medical analysis. In this paper, we propose the Flexible Alignment Super-Resolution Network (FASR-Net) for multi-contrast magnetic resonance images Super-Resolution. The core of multi-contrast SR is to match the patches of low-resolution and reference images. However, the inappropriate foreground scale and patch size of multi-contrast MRI sometimes lead to the mismatch of patches. To tackle this problem, the Flexible Alignment module is proposed to endow receptive fields with flexibility. Flexible Alignment module contains two parts: (1) The Single-Multi Pyramid Alignmet module serves for low-resolution and reference image with different scale. (2) The Multi-Multi Pyramid Alignment module serves for low-resolution and reference image with the same scale. Extensive experiments on the IXI and FastMRI datasets demonstrate that the FASR-Net outperforms the existing state-of-the-art approaches. In addition, by comparing the reconstructed images with the counterparts obtained by the existing algorithms, our method could retain more textural details by leveraging multi-contrast images.
• Abstract（参考訳）: 磁気共鳴画像は生体組織の構造情報を取得することで臨床診断において重要な役割を果たす。 しかし、磁気共鳴画像を取得する際には、不安や急性不安などの身体的および心理的不快感に耐えなければならない。 技術的には、画像の品質を犠牲にして、患者が強い磁場に留まる保持時間を短縮する。 したがって、より正確な医療分析のために低解像度画像の前処理において、超解像は重要な役割を果たす。 本稿では,マルチコントラスト磁気共鳴画像のためのフレキシブルアライメントスーパーレゾリューションネットワーク(fasr-net)を提案する。 マルチコントラストSRのコアは、低解像度および参照画像のパッチにマッチする。 しかし、マルチコントラストMRIの非適切な前景スケールとパッチサイズは、しばしばパッチのミスマッチを引き起こす。 この問題に対処するため、フレキシブルアライメントモジュールは、柔軟性のある受容的フィールドを実現するために提案されている。 フレキシブルアライメントモジュールは、2つの部分を含む: 1) シングルマルチピラミッドアライグメットモジュールは、異なるスケールで低解像度で参照画像を提供する。 (2)マルチマルチピラミッドアライメントモジュールは、同じスケールで低解像度で参照画像を提供する。 IXIとFastMRIデータセットの大規模な実験は、FASR-Netが既存の最先端アプローチよりも優れていることを示した。 また,既存のアルゴリズムで得られた画像と比較することにより,マルチコントラスト画像を利用することで,よりテクスチュラルな詳細を保持することが可能となった。

関連論文リスト

• 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)
• 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)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• DisC-Diff: Disentangled Conditional Diffusion Model for Multi-Contrast MRI Super-Resolution [8.721585866050757]
  マルチコントラスト脳MRI超解像のための条件拡散モデルDisC-Diffを提案する。 DisC-Diffは修復における不確実性を効果的に推定し、安定した最適化プロセスを保証する。 578個の正常脳を含むIXIデータセットと316個の病理脳を含む臨床データセットの2つのデータセットに対するDisC-Diffの有効性を検証した。
  論文  参考訳（メタデータ） (2023-03-24T11:42:45Z)
• 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)
• Transformer-empowered Multi-scale Contextual Matching and Aggregation for Multi-contrast MRI Super-resolution [55.52779466954026]
  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。
  論文  参考訳（メタデータ） (2022-03-26T01:42:59Z)
• 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)
• ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep learning [47.68307909984442]
  SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。 ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
  論文  参考訳（メタデータ） (2021-02-25T14:52:23Z)
• Reference-based Texture transfer for Single Image Super-resolution of Magnetic Resonance images [1.978587235008588]
  平面内および平面間MRI超解像を用いた深層学習のための参照型マルチコントラスト・マルチコントラスト・テクスチャ・トランスファー戦略を提案する。 提案手法を異なる超解像アーキテクチャに適用し,PSNRとSSIMの4倍超解像に対する改善を観察する。
  論文  参考訳（メタデータ） (2021-02-10T14:12:48Z)
• Fine Perceptive GANs for Brain MR Image Super-Resolution in Wavelet Domain [23.23392380531189]
  高分解能(HR)磁気共鳴(MR)画像を生成するために,FP-GAN(Fepceptive Generative Adversarial Network)を提案する。 MultiRes_7Tデータセットの実験により、FP-GANsは競合する手法よりも定量的に質的に優れていることが示された。
  論文  参考訳（メタデータ） (2020-11-09T02:09:44Z)

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。