論文の概要: SuperMask: Generating High-resolution object masks from multi-view,
unaligned low-resolution MRIs
- arxiv url: http://arxiv.org/abs/2303.07517v1
- Date: Mon, 13 Mar 2023 23:09:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-15 17:13:44.390007
- Title: SuperMask: Generating High-resolution object masks from multi-view,
unaligned low-resolution MRIs
- Title（参考訳）: supermask: マルチビュー低解像度mriによる高分解能オブジェクトマスクの生成
- Authors: Hanxue Gu, Hongyu He, Roy Colglazier, Jordan Axelrod, Robert French,
Maciej A Mazurowski
- Abstract要約: 高分解能等方性MRIはまれであり、典型的なMRIは異方性であり、外面次元ははるかに低解像度である。
複数の低解像度画像から高解像度マスクを生成するための弱教師付きディープラーニングベースのソリューションを提案する。
- 参考スコア（独自算出の注目度）: 0.8074019565026543
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Three-dimensional segmentation in magnetic resonance images (MRI), which
reflects the true shape of the objects, is challenging since high-resolution
isotropic MRIs are rare and typical MRIs are anisotropic, with the out-of-plane
dimension having a much lower resolution. A potential remedy to this issue lies
in the fact that often multiple sequences are acquired on different planes.
However, in practice, these sequences are not orthogonal to each other,
limiting the applicability of many previous solutions to reconstruct
higher-resolution images from multiple lower-resolution ones. We propose a
weakly-supervised deep learning-based solution to generating high-resolution
masks from multiple low-resolution images. Our method combines segmentation and
unsupervised registration networks by introducing two new regularizations to
make registration and segmentation reinforce each other. Finally, we introduce
a multi-view fusion method to generate high-resolution target object masks. The
experimental results on two datasets show the superiority of our methods.
Importantly, the advantage of not using high-resolution images in the training
process makes our method applicable to a wide variety of MRI segmentation
tasks.
- Abstract（参考訳）: 高分解能等方性MRIはまれであり、典型的なMRIは異方性であり、外界次元ははるかに低いため、物体の真の形状を反映する磁気共鳴画像(MRI)の3次元分割は困難である。
この問題に対する潜在的な対策は、しばしば異なる平面上で複数のシーケンスが取得されるという事実にある。
しかし、実際には、これらのシーケンスは互いに直交せず、複数の低解像度画像から高解像度画像を再構成する多くの従来のソリューションの適用性を制限している。
複数の低解像度画像から高解像度マスクを生成するための弱教師付きディープラーニングベースのソリューションを提案する。
本手法では,2つの新たな正規化を導入し,セグメンテーションと教師なし登録ネットワークを組み合わせることで,セグメンテーションとセグメンテーションの強化を行う。
最後に,高解像度ターゲットマスクを生成するための多視点融合手法を提案する。
2つのデータセットに対する実験結果から,本手法の優位性を示した。
重要なことは、トレーニングプロセスで高分解能画像を使用しない利点は、幅広いMRIセグメント化タスクに適用できるということである。
関連論文リスト
- Learning Two-factor Representation for Magnetic Resonance Image Super-resolution [1.294284364022674]
2要素表現に基づくMR画像超解像法を提案する。
具体的には、強度信号を学習可能な基底と係数の線形結合に分解する。
提案手法は最先端の性能を達成し,より優れた視覚的忠実度とロバスト性を実現する。
論文 参考訳（メタデータ） (2024-09-15T13:32:24Z) - Inter-slice Super-resolution of Magnetic Resonance Images by Pre-training and Self-supervised Fine-tuning [49.197385954021456]
臨床実践では、2次元磁気共鳴(MR)シーケンスが広く採用されている。個々の2次元スライスを積み重ねて3次元ボリュームを形成できるが、比較的大きなスライスススペーシングは可視化とその後の解析タスクに課題をもたらす可能性がある。
スライス間隔を低減するため,ディープラーニングに基づく超解像技術が広く研究されている。
現在のほとんどのソリューションは、教師付きトレーニングのために、かなりの数の高解像度と低解像度の画像を必要とするが、通常は現実のシナリオでは利用できない。
論文 参考訳（メタデータ） (2024-06-10T02:20:26Z) - 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) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳（メタデータ） (2023-05-30T14:25:55Z) - Flexible Alignment Super-Resolution Network for Multi-Contrast MRI [7.727046305845654]
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。
論文 参考訳（メタデータ） (2022-10-07T11:07:20Z) - 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) - Learning Resolution-Adaptive Representations for Cross-Resolution Person
Re-Identification [49.57112924976762]
低解像度(LR)クエリIDイメージと高解像度(HR)ギャラリーイメージとの整合性を実現する。
実際のカメラとの違いにより、クエリ画像が分解能の低下に悩まされることがしばしばあるため、これは困難かつ実用的な問題である。
本稿では,問合せ画像の解像度に適応する動的計量を用いて,HRとLRの画像を直接比較するためのSRフリーなパラダイムについて検討する。
論文 参考訳（メタデータ） (2022-07-09T03:49:51Z) - Multimodal Multi-Head Convolutional Attention with Various Kernel Sizes
for Medical Image Super-Resolution [56.622832383316215]
超解像CTおよびMRIスキャンのための新しいマルチヘッド畳み込みアテンションモジュールを提案する。
我々の注目モジュールは、畳み込み操作を用いて、複数の入力テンソルに対して共同的な空間チャネルアテンションを行う。
それぞれの頭部は空間的注意に対する特定の減少率に応じた受容野の大きさの異なる複数の注意ヘッドを導入している。
論文 参考訳（メタデータ） (2022-04-08T07:56:55Z) - 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) - MIASSR: An Approach for Medical Image Arbitrary Scale Super-Resolution [3.0554209431226624]
単一画像超解像は、1つの低解像度画像から高解像度の出力を得る。
深層学習に基づくSISRアプローチは、医用画像処理において広く議論されている。
医用画像任意スケール超解像(MIASSR)へのアプローチを提案する。
論文 参考訳（メタデータ） (2021-05-22T14:24:25Z)
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。