論文の概要: Self-Supervised Isotropic Superresolution Fetal Brain MRI

• arxiv url: http://arxiv.org/abs/2211.06502v1
• Date: Fri, 11 Nov 2022 22:35:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 16:55:38.844848
• Title: Self-Supervised Isotropic Superresolution Fetal Brain MRI
• Title（参考訳）: 自己監督型等方性胎児脳MRI
• Authors: Kay L\"achler, H\'el\`ene Lajous, Michael Unser, Meritxell Bach Cuadra, and Pol del Aguila Pla
• Abstract要約: 超高分解能T2強調胎児脳磁気共鳴イメージング(FBMRI)は、伝統的に複数の2次元厚みスライス(巻)の低分解能シリーズの可用性に依存している。 しかし, 子宮運動と急速に変化する胎児脳解剖により, 教師あり学習方法の訓練に必要な高解像度画像の取得は困難である。 我々は,T2強調FBMRI(SAIR)のための自己教師型単一体積超解像フレームワークの概念実証を行う。
• 参考スコア（独自算出の注目度）: 18.101182910545223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Superresolution T2-weighted fetal-brain magnetic-resonance imaging (FBMRI) traditionally relies on the availability of several orthogonal low-resolution series of 2-dimensional thick slices (volumes). In practice, only a few low-resolution volumes are acquired. Thus, optimization-based image-reconstruction methods require strong regularization using hand-crafted regularizers (e.g., TV). Yet, due to in utero fetal motion and the rapidly changing fetal brain anatomy, the acquisition of the high-resolution images that are required to train supervised learning methods is difficult. In this paper, we sidestep this difficulty by providing a proof of concept of a self-supervised single-volume superresolution framework for T2-weighted FBMRI (SAIR). We validate SAIR quantitatively in a motion-free simulated environment. Our results for different noise levels and resolution ratios suggest that SAIR is comparable to multiple-volume superresolution reconstruction methods. We also evaluate SAIR qualitatively on clinical FBMRI data. The results suggest SAIR could be incorporated into current reconstruction pipelines.
• Abstract（参考訳）: 超解像 T2-weighted fetal-brain magnetic-resonance imaging (FBMRI) は、伝統的に2次元の厚いスライス(体積)の直交低解像度級数に頼っている。 実際には、低解像度のボリュームはごくわずかである。 したがって、最適化に基づく画像再構成手法では、手作りの正規化器(例えばテレビ)を用いた強正則化が必要である。 しかし, 子宮の運動と急速に変化する胎児脳解剖により, 教師付き学習法を訓練するために必要な高分解能画像の取得は困難である。 本稿では,t2重み付きfbmri (sair) のための自己教師付き単一体積超解像フレームワークの概念実証を提供することにより,この困難を回避した。 動きのないシミュレーション環境でSAIRを定量的に検証する。 ノイズレベルと分解能比の異なる結果から,SAIRはマルチボリューム超解像再構成法に匹敵する可能性が示唆された。 また臨床FBMRIデータからSAIRを質的に評価した。 結果は、SAIRを現在の再構築パイプラインに組み込むことができることを示唆している。

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)
• 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)
• Resolution- and Stimulus-agnostic Super-Resolution of Ultra-High-Field Functional MRI: Application to Visual Studies [1.8327547104097965]
  高分解能fMRIは脳のメソスケール組織への窓を提供する。 しかし、高い空間分解能はスキャン時間を増加させ、低信号とコントラスト-ノイズ比を補う。 本研究では,fMRIのための深層学習に基づく3次元超解像法を提案する。
  論文  参考訳（メタデータ） (2023-11-25T03:33:36Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• TransMRSR: Transformer-based Self-Distilled Generative Prior for Brain MRI Super-Resolution [18.201980634509553]
  本稿では,脳MRI SR のための新しい2段階ネットワーク TransMRSR を提案する。 TransMRSRは、浅部局所特徴抽出、深部非局所特徴キャプチャ、HR画像再構成の3つのモジュールで構成されている。 本手法は,パブリックデータセットとプライベートデータセットの両方において,他のSSIR手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2023-06-11T12:41:23Z)
• Self-supervised arbitrary scale super-resolution framework for anisotropic MRI [14.05196542298934]
  異方性MRI入力から等方性磁気共鳴(MR)画像を再構成するための,効率的な自己教師付き任意スケール超解像(SR)フレームワークを提案する。 提案フレームワークは、任意の画像解像度で、Wildの異方性MRボリュームを用いたトレーニングデータセットを構築する。 我々は、シミュレーションされた成人脳のデータセットと実際の収集された7T脳のデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2023-05-02T12:27:25Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• 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)
• Single MR Image Super-Resolution using Generative Adversarial Network [0.696125353550498]
  Real Enhanced Super Resolution Generative Adrial Network (Real-ESRGAN) は、高解像度画像の生成に使われている最近の効果的なアプローチの1つである。 本稿では,2次元MR画像の空間分解能を高めるために本手法を適用した。
  論文  参考訳（メタデータ） (2022-07-16T23:15:10Z)
• High-Resolution Pelvic MRI Reconstruction Using a Generative Adversarial Network with Attention and Cyclic Loss [3.4358954898228604]
  超解像法はMRIの高速化に優れた性能を示した。 場合によっては、スキャン時間が長い場合でも高解像度画像を得るのは困難である。 我々は,周期的損失と注意機構を有するGAN(Generative Adversarial Network)を用いた新しい超解像法を提案した。
  論文  参考訳（メタデータ） (2021-07-21T10:07:22Z)
• 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)

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。