論文の概要: An Unsupervised Framework for Joint MRI Super Resolution and Gibbs Artifact Removal

• arxiv url: http://arxiv.org/abs/2302.02849v1
• Date: Mon, 6 Feb 2023 15:14:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-07 16:19:08.295725
• Title: An Unsupervised Framework for Joint MRI Super Resolution and Gibbs Artifact Removal
• Title（参考訳）: 関節MRI超解像とギブズアーティファクト除去のための教師なしフレームワーク
• Authors: Yikang Liu, Eric Z. Chen, Xiao Chen, Terrence Chen, Shanhui Sun
• Abstract要約: 我々は,MRIの超解像とギブスのアーティファクト除去のための教師なし学習フレームワークを提案する。 提案手法は,最高のSR性能を実現し,ギブスアーチファクトを大幅に削減する。 また,本手法は,臨床応用に有用である,異なるデータセット間での良好な一般化性を示す。
• 参考スコア（独自算出の注目度）: 8.609058727152433
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The k-space data generated from magnetic resonance imaging (MRI) is only a finite sampling of underlying signals. Therefore, MRI images often suffer from low spatial resolution and Gibbs ringing artifacts. Previous studies tackled these two problems separately, where super resolution methods tend to enhance Gibbs artifacts, whereas Gibbs ringing removal methods tend to blur the images. It is also a challenge that high resolution ground truth is hard to obtain in clinical MRI. In this paper, we propose an unsupervised learning framework for both MRI super resolution and Gibbs artifacts removal without using high resolution ground truth. Furthermore, we propose regularization methods to improve the model's generalizability across out-of-distribution MRI images. We evaluated our proposed methods with other state-of-the-art methods on eight MRI datasets with various contrasts and anatomical structures. Our method not only achieves the best SR performance but also significantly reduces the Gibbs artifacts. Our method also demonstrates good generalizability across different datasets, which is beneficial to clinical applications where training data are usually scarce and biased.
• Abstract（参考訳）: 磁気共鳴画像(MRI)から生成されたk空間データは、基礎となる信号の有限サンプリングである。 そのため、MRI画像は空間分解能の低下やギブスリングアーティファクトに悩まされることが多い。 従来の研究では、超解像法はギブスのアーティファクトを強化する傾向があり、ギブスのリング除去法は画像をぼかす傾向にあった。 臨床MRIでは高分解能基底真理の取得が困難であることも課題である。 本稿では,高分解能グラウンド真理を用いずにmriスーパーレゾリューションとgibbsアーティファクトの除去を行うための教師なし学習フレームワークを提案する。 さらに,分布外MRI画像におけるモデルの一般化性を改善するための正規化手法を提案する。 異なるコントラストと解剖学的構造を持つ8つのMRIデータセットに対して,他の最先端手法を用いて提案手法の評価を行った。 本手法は,最高のsr性能を実現するだけでなく,gibbsアーチファクトを著しく削減する。 また,トレーニングデータに偏りや偏りがほとんどない臨床応用に有用である,異なるデータセットにまたがる優れた一般化性を示す。

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)
• CuNeRF: Cube-Based Neural Radiance Field for Zero-Shot Medical Image Arbitrary-Scale Super Resolution [78.734927709231]
  医用画像任意スケール超解像 (MIASSR) が最近注目され, 任意のスケールの医用ボリュームを単一モデルで超高精細化することを目指している。 連続領域における任意のスケールで医用画像が得られるゼロショットMIASSRフレームワークCuNeRFを提案する。
  論文  参考訳（メタデータ） (2023-03-28T18:36:19Z)
• Iterative Data Refinement for Self-Supervised MR Image Reconstruction [18.02961646651716]
  自己教師型MR画像再構成のためのデータ改質フレームワークを提案する。 まず,自己教師付き手法と教師付き手法のパフォーマンスギャップの原因を解析する。 そして、このデータバイアスを低減するために、効果的な自己教師付きトレーニングデータ精錬法を設計する。
  論文  参考訳（メタデータ） (2022-11-24T06:57:16Z)
• 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)
• MR Image Denoising and Super-Resolution Using Regularized Reverse Diffusion [38.62448918459113]
  本稿では,スコアベース逆拡散サンプリングに基づく新しい復調法を提案する。 当ネットワークは, 人工膝関節のみを訓練し, 生体内MRIデータにも優れていた。
  論文  参考訳（メタデータ） (2022-03-23T10:35:06Z)
• 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)
• 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)

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。