論文の概要: Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders
(DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN)
- arxiv url: http://arxiv.org/abs/2307.06338v1
- Date: Wed, 12 Jul 2023 00:01:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-14 16:55:32.049531
- Title: Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders
(DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN)
- Title（参考訳）: Denoising Autoencoders (DAE) と Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) を用いたシミュレーション低磁場MRI (70mT)
- Authors: Fernando Vega, Abdoljalil Addeh, M. Ethan MacDonald
- Abstract要約: 高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。
Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。
この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
- 参考スコア（独自算出の注目度）: 68.8204255655161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, a denoising Cycle-GAN (Cycle Consistent Generative Adversarial
Network) is implemented to yield high-field, high resolution, high
signal-to-noise ratio (SNR) Magnetic Resonance Imaging (MRI) images from
simulated low-field, low resolution, low SNR MRI images. Resampling and
additive Rician noise were used to simulate low-field MRI. Images were utilized
to train a Denoising Autoencoder (DAE) and a Cycle-GAN, with paired and
unpaired cases. Both networks were evaluated using SSIM and PSNR image quality
metrics. This work demonstrates the use of a generative deep learning model
that can outperform classical DAEs to improve low-field MRI images and does not
require image pairs.
- Abstract（参考訳）: 本研究では,低磁場,低分解能,低SNRMRI画像から高磁場,高分解能,高信号-雑音比(SNR)磁気共鳴イメージング(MRI)画像を得るために,デノイングサイクルGAN(Cycle Consistent Generative Adversarial Network)を実装した。
低磁場MRIの再現にはリシアンノイズとリシアンノイズが用いられた。
denoising autoencoder (dae) と cycle-gan をペアケースとペアケースで訓練するために,画像を用いた。
両ネットワークをSSIMおよびPSNR画像品質指標を用いて評価した。
この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
関連論文リスト
- Noise Level Adaptive Diffusion Model for Robust Reconstruction of
Accelerated MRI [35.65325713990205]
実世界のMRIは、熱ゆらぎによる固有のノイズを既に含んでいる。
一般的なシナリオは、既存の拡散モデルに基づく再構築手法の準最適性能や完全な失敗につながる可能性がある。
そこで本研究では,Nila-DC (NoIse Level Adaptive Data Consistency) を用いた後方サンプリング手法を提案する。
論文 参考訳（メタデータ） (2024-03-08T12:07:18Z) - DiffCMR: Fast Cardiac MRI Reconstruction with Diffusion Probabilistic
Models [11.068359534951783]
DiffCMRは、アンダーサンプルMRI画像スライスからコンディショニング信号を知覚し、対応するフルサンプルMRI画像スライスを生成する。
我々は,MICCAI 2023 Cardiac MRI Restruction Challengeデータセットを用いたDiffCMRとT1/T2マッピングタスクの検証を行った。
その結果,本手法は従来の手法をはるかに上回り,最先端の性能を実現していることがわかった。
論文 参考訳（メタデータ） (2023-12-08T06:11:21Z) - Meta-Learning Enabled Score-Based Generative Model for 1.5T-Like Image
Reconstruction from 0.5T MRI [22.024215676838185]
本稿では,教師の学習機構を活用したメタラーニング手法を提案する。
最適なトランスポート駆動型教師は,高磁場MRI画像から低磁場MR画像への劣化過程を学習する。
そして、スコアベースの学生は、低磁場MRIから高磁場のようなMR像を再構成する逆問題を解決する。
論文 参考訳（メタデータ） (2023-05-04T02:40:42Z) - DDM$^2$: Self-Supervised Diffusion MRI Denoising with Generative
Diffusion Models [0.3149883354098941]
本稿では,拡散復号化生成モデルを用いたMRIの自己教師付き復号化手法を提案する。
本フレームワークは,統計に基づくデノナイジング理論を拡散モデルに統合し,条件付き生成によるデノナイジングを行う。
論文 参考訳（メタデータ） (2023-02-06T18:56:39Z) - Spatiotemporal implicit neural representation for unsupervised dynamic
MRI reconstruction [11.661657147506519]
Inlicit Neuraltruth (INR) は逆問題を解決するための強力なDLベースのツールとして登場した。
本研究では,高度にアンサンプされたk空間データから動的MRI再構成を改善するためのINRに基づく手法を提案する。
提案したINRは、ダイナミックMRI画像を暗黙の関数として表現し、それらをニューラルネットワークにエンコードする。
論文 参考訳（メタデータ） (2022-12-31T05:43:21Z) - Multi-stage image denoising with the wavelet transform [125.2251438120701]
深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。
動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
論文 参考訳（メタデータ） (2022-09-26T03:28:23Z) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳（メタデータ） (2022-06-09T14:00:26Z) - Zero-shot Blind Image Denoising via Implicit Neural Representations [77.79032012459243]
暗黙的ニューラル表現(INR)のアーキテクチャ的帰納的バイアスを利用した代替的認知戦略を提案する。
提案手法は,低雑音シナリオや実雑音シナリオの広い範囲において,既存のゼロショット復調手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-04-05T12:46:36Z) - 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) - Blur, Noise, and Compression Robust Generative Adversarial Networks [85.68632778835253]
劣化画像から直接クリーンな画像生成装置を学習するために, ぼかし, ノイズ, 圧縮堅牢なGAN(BNCR-GAN)を提案する。
NR-GANにインスパイアされたBNCR-GANは、画像、ぼやけたカーネル、ノイズ、品質要素ジェネレータで構成される多重ジェネレータモデルを使用する。
CIFAR-10の大規模比較とFFHQの一般性解析によるBNCR-GANの有効性を実証する。
論文 参考訳（メタデータ） (2020-03-17T17:56:22Z)
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。