論文の概要: Synthetic Low-Field MRI Super-Resolution Via Nested U-Net Architecture
- arxiv url: http://arxiv.org/abs/2211.15047v1
- Date: Mon, 28 Nov 2022 04:09:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 20:18:09.251060
- Title: Synthetic Low-Field MRI Super-Resolution Via Nested U-Net Architecture
- Title（参考訳）: Nested U-Net Architectureによる低磁場MRI超解像
- Authors: Aryan Kalluvila, Neha Koonjoo, Danyal Bhutto, Marcio Rockenbach,
Matthew S. Rosen
- Abstract要約: 本研究の目的は、低磁場MRIスキャンのSNRと画像品質を改善し、診断能力を向上することである。
我々は,従来提案していた深層学習手法を,平均PSNR78.83,SSIM0.9551で上回るNested U-Netニューラルネットワークアーキテクチャ超解法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Low-field (LF) MRI scanners have the power to revolutionize medical imaging
by providing a portable and cheaper alternative to high-field MRI scanners.
However, such scanners are usually significantly noisier and lower quality than
their high-field counterparts. The aim of this paper is to improve the SNR and
overall image quality of low-field MRI scans to improve diagnostic capability.
To address this issue, we propose a Nested U-Net neural network architecture
super-resolution algorithm that outperforms previously suggested deep learning
methods with an average PSNR of 78.83 and SSIM of 0.9551. We tested our network
on artificial noisy downsampled synthetic data from a major T1 weighted MRI
image dataset called the T1-mix dataset. One board-certified radiologist scored
25 images on the Likert scale (1-5) assessing overall image quality, anatomical
structure, and diagnostic confidence across our architecture and other
published works (SR DenseNet, Generator Block, SRCNN, etc.). We also introduce
a new type of loss function called natural log mean squared error (NLMSE). In
conclusion, we present a more accurate deep learning method for single image
super-resolution applied to synthetic low-field MRI via a Nested U-Net
architecture.
- Abstract（参考訳）: 低磁場MRIスキャナーは、高磁場MRIスキャナーのポータブルで安価な代替品を提供することで、医療画像に革命をもたらす力を持っている。
しかし、そのようなスキャナーは通常、ハイフィールドスキャナーよりもかなりノイズが多く、品質も低い。
本研究の目的は、低磁場MRIスキャンのSNRと画像品質を改善し、診断能力を向上することである。
この問題に対処するため,Nested U-Net ニューラルネットワークアーキテクチャの超解法アルゴリズムを提案し,提案手法を平均PSNR78.83,SSIM0.9551で上回った。
t1-mixデータセットと呼ばれる主要な重み付けmri画像データセットから人工的なノイズダウンサンプリング合成データを用いてネットワークをテストした。
ある放射線技師はlikertスケール(1-5)で25枚の画像を記録し、全体の画像品質、解剖学的構造、および我々のアーキテクチャや他の出版作品(sr densenet、generator block、srcnnなど)の診断信頼度を評価しました。
また、NLMSE(Natural log mean squared error)と呼ばれる新しいタイプの損失関数も導入する。
結論として、Nested U-Netアーキテクチャを用いて、合成低磁場MRIに適用した単一画像超解像のためのより正確なディープラーニング手法を提案する。
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) - 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) - ERNAS: An Evolutionary Neural Architecture Search for Magnetic Resonance
Image Reconstructions [0.688204255655161]
加速MRIの一般的なアプローチは、k空間データをアンサンプすることである。
アンサンプはスキャン手順を高速化する一方で、画像内のアーティファクトを生成し、アーティファクトのない画像を生成するために高度な再構築アルゴリズムが必要である。
本研究では、新しい進化的ニューラルネットワーク探索アルゴリズムを用いて、最適化されたニューラルネットワークを用いて、アンダーサンプルデータからのMRI再構成を行った。
論文 参考訳（メタデータ） (2022-06-15T03:42:18Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Accurate super-resolution low-field brain MRI [0.6501025489527174]
LFMRI T1重み付きシーケンスから1mm等方性MPRAGE様スキャンを合成するための機械学習アルゴリズムの拡張について報告する。
これらの結果は、LFMRIにおける正常画像および異常画像の検出を高めるための今後の研究の基礎となった。
論文 参考訳（メタデータ） (2022-02-07T23:57:28Z) - Generative Adversarial Networks (GAN) Powered Fast Magnetic Resonance
Imaging -- Mini Review, Comparison and Perspectives [5.3148259096171175]
MRIの欠点の1つは、他の画像モダリティに比べて比較的遅いスキャンと再構成である。
ディープニューラルネットワーク(DNN)は、比較的高品質な画像を再現するスパースMRI再構成モデルに使われてきた。
画像の知覚品質を向上した高速MRIを実現するために,GAN(Generative Adversarial Networks)に基づく手法を提案する。
論文 参考訳（メタデータ） (2021-05-04T23:59:00Z) - 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) - Towards Ultrafast MRI via Extreme k-Space Undersampling and
Superresolution [65.25508348574974]
我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。
低解像を補うための強力な深層学習に基づく画像強化手法を検討する。
復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
論文 参考訳（メタデータ） (2021-03-04T10:45:01Z) - 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) - Localized Motion Artifact Reduction on Brain MRI Using Deep Learning
with Effective Data Augmentation Techniques [2.0591563268976274]
In-Scanner MotionはMRIの画質を低下させる
深層学習に基づくMRIアーティファクト縮小モデル(DMAR)を導入し,脳MRIスキャンにおける頭部運動アーティファクトの局在と補正を行う。
論文 参考訳（メタデータ） (2020-07-10T03:30:27Z) - MRI Super-Resolution with GAN and 3D Multi-Level DenseNet: Smaller,
Faster, and Better [16.65044022241517]
高分解能(HR)磁気共鳴画像(MRI)は、臨床応用において診断に重要な詳細な解剖情報を提供する。
HR MRIは通常、長時間のスキャン、空間被覆の小さい、信号対雑音比(SNR)のコストがかかる。
近年の研究では、ディープ畳み込みニューラルネットワーク(CNN)を用いて、単一画像超解像(SISR)アプローチにより、低解像度(LR)入力からHRジェネリックイメージを復元できることが示されている。
論文 参考訳（メタデータ） (2020-03-02T22:07:56Z)
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。