Fugu-MT 論文翻訳(概要): TransMRSR: Transformer-based Self-Distilled Generative Prior for Brain MRI Super-Resolution

論文の概要: TransMRSR: Transformer-based Self-Distilled Generative Prior for Brain MRI Super-Resolution

arxiv url: http://arxiv.org/abs/2306.06669v1
Date: Sun, 11 Jun 2023 12:41:23 GMT
ステータス: 処理完了
システム内更新日: 2023-06-13 17:27:04.388505
Title: TransMRSR: Transformer-based Self-Distilled Generative Prior for Brain MRI Super-Resolution
Title（参考訳）: TransMRSR:脳MRI超解像に先立つトランスフォーマーを用いた自己拡張型生成
Authors: Shan Huang, Xiaohong Liu, Tao Tan, Menghan Hu, Xiaoer Wei, Tingli Chen, Bin Sheng
Abstract要約: 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。
参考スコア（独自算出の注目度）: 18.201980634509553
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Magnetic resonance images (MRI) acquired with low through-plane resolution compromise time and cost. The poor resolution in one orientation is insufficient to meet the requirement of high resolution for early diagnosis of brain disease and morphometric study. The common Single image super-resolution (SISR) solutions face two main challenges: (1) local detailed and global anatomical structural information combination; and (2) large-scale restoration when applied for reconstructing thick-slice MRI into high-resolution (HR) iso-tropic data. To address these problems, we propose a novel two-stage network for brain MRI SR named TransMRSR based on the convolutional blocks to extract local information and transformer blocks to capture long-range dependencies. TransMRSR consists of three modules: the shallow local feature extraction, the deep non-local feature capture, and the HR image reconstruction. We perform a generative task to encapsulate diverse priors into a generative network (GAN), which is the decoder sub-module of the deep non-local feature capture part, in the first stage. The pre-trained GAN is used for the second stage of SR task. We further eliminate the potential latent space shift caused by the two-stage training strategy through the self-distilled truncation trick. The extensive experiments show that our method achieves superior performance to other SSIR methods on both public and private datasets. Code is released at https://github.com/goddesshs/TransMRSR.git .
Abstract（参考訳）: 磁気共鳴画像(MRI)は低分解能時間とコストで取得される。脳疾患の早期診断と形態計測研究のための高解像度の要求を満たすには、一方の方向の分解能が不十分である。 1)局所的および大域的解剖学的構造情報の組み合わせ,(2)高分解能(HR)アイソトロピーデータへの高分解能MRI再構成に応用された大規模復元の2つの課題に直面する。これらの問題に対処するため,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。第1段階では,深部非局所特徴キャプチャー部のデコーダサブモジュールである生成ネットワーク(GAN)に,様々な先行情報をカプセル化するための生成タスクを実行する。事前訓練されたGANは、SRタスクの第2段階で使用される。さらに,2段階のトレーニング戦略によって生じる潜在空間シフトを,自己蒸留式トランケーショントリックにより除去する。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示す。コードはhttps://github.com/goddesshs/transmrsr.gitでリリースされる。

関連論文リスト

Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
論文参考訳（メタデータ） (2024-05-08T11:09:24Z)
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)
fMRI-PTE: A Large-scale fMRI Pretrained Transformer Encoder for Multi-Subject Brain Activity Decoding [54.17776744076334]
本稿では,fMRI事前学習のための革新的オートエンコーダであるfMRI-PTEを提案する。我々のアプローチでは、fMRI信号を統合された2次元表現に変換し、次元の整合性を確保し、脳の活動パターンを保存する。コントリビューションには、fMRI-PTEの導入、革新的なデータ変換、効率的なトレーニング、新しい学習戦略、そして我々のアプローチの普遍的な適用性が含まれる。
論文参考訳（メタデータ） (2023-11-01T07:24:22Z)
InverseSR: 3D Brain MRI Super-Resolution Using a Latent Diffusion Model [1.4126798060929953]
研究グレードの医療センターから得られた高分解能(HR)MRIスキャンは、画像化された組織に関する正確な情報を提供する。通常の臨床MRIスキャンは通常、低分解能(LR)である MRI超解像(SR)のためのエンドツーエンドのディープラーニング手法が提案されているが、入力分布の変化があるたびに再学習する必要がある。本稿では,英国バイオバンクでトレーニングされた最新の3D脳生成モデル,潜在拡散モデル(LDM)を活用する新しいアプローチを提案する。
論文参考訳（メタデータ） (2023-08-23T23:04:42Z)
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)
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)
Cross-Modality High-Frequency Transformer for MR Image Super-Resolution [100.50972513285598]
我々はTransformerベースのMR画像超解像フレームワークを構築するための初期の取り組みを構築した。我々は、高周波構造とモード間コンテキストを含む2つの領域先行について考察する。我々は,Cross-modality High- frequency Transformer (Cohf-T)と呼ばれる新しいTransformerアーキテクチャを構築し,低解像度画像の超解像化を実現する。
論文参考訳（メタデータ） (2022-03-29T07:56:55Z)
Memory-augmented Deep Unfolding Network for Guided Image Super-resolution [67.83489239124557]
誘導画像超解像(GISR)は、HR画像の誘導の下で低解像度(LR)目標画像の空間分解能を高めて高解像度(HR)目標画像を得る。従来のモデルベース手法は主に画像全体を取り、HR目標画像とHRガイダンス画像との事前分布を仮定する。 HR目標画像上で2種類の事前性を持つGISRの最大後部(MAP)推定モデルを提案する。
論文参考訳（メタデータ） (2022-02-12T15:37:13Z)
Over-and-Under Complete Convolutional RNN for MRI Reconstruction [57.95363471940937]
MR画像再構成のための最近のディープラーニングに基づく手法は、通常、汎用的なオートエンコーダアーキテクチャを利用する。 OUCR(Over-and-Under Complete Convolu?tional Recurrent Neural Network)を提案する。提案手法は, トレーニング可能なパラメータの少ない圧縮されたセンシングと, 一般的なディープラーニングに基づく手法に対して, 大幅な改善を実現する。
論文参考訳（メタデータ） (2021-06-16T15:56:34Z)
SRR-Net: A Super-Resolution-Involved Reconstruction Method for High Resolution MR Imaging [7.42807471627113]
提案するsrr-netは、視覚品質と知覚品質の両方の高分解能脳画像を復元することができる。 In-vivo HR Multi-coil 脳データを用いた実験の結果,提案したSRR-Netは高分解能脳画像の復元が可能であることが示唆された。
論文参考訳（メタデータ） (2021-04-13T02:19:12Z)

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。