論文の概要: DISGAN: Wavelet-informed Discriminator Guides GAN to MRI Super-resolution with Noise Cleaning

• arxiv url: http://arxiv.org/abs/2308.12084v1
• Date: Wed, 23 Aug 2023 12:07:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-24 14:17:41.610347
• Title: DISGAN: Wavelet-informed Discriminator Guides GAN to MRI Super-resolution with Noise Cleaning
• Title（参考訳）: ノイズクリーニングでganをmriに誘導するwavelet-informed discriminator
• Authors: Qi Wang, Lucas Mahler, Julius Steiglechner, Florian Birk, Klaus Scheffler, Gabriele Lohmann
• Abstract要約: MRIによる超解像(SR)と復調タスクは、ディープラーニングの分野における基本的な課題である。 本研究では,1つのディープラーニングモデルを用いて,両方のタスクを同時に処理する革新的な手法を提案する。 提案モデルは主にSRのために訓練されているが,超解像には顕著なノイズクリーニング能力も示している。
• 参考スコア（独自算出の注目度）: 3.494362721921984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: MRI super-resolution (SR) and denoising tasks are fundamental challenges in the field of deep learning, which have traditionally been treated as distinct tasks with separate paired training data. In this paper, we propose an innovative method that addresses both tasks simultaneously using a single deep learning model, eliminating the need for explicitly paired noisy and clean images during training. Our proposed model is primarily trained for SR, but also exhibits remarkable noise-cleaning capabilities in the super-resolved images. Instead of conventional approaches that introduce frequency-related operations into the generative process, our novel approach involves the use of a GAN model guided by a frequency-informed discriminator. To achieve this, we harness the power of the 3D Discrete Wavelet Transform (DWT) operation as a frequency constraint within the GAN framework for the SR task on magnetic resonance imaging (MRI) data. Specifically, our contributions include: 1) a 3D generator based on residual-in-residual connected blocks; 2) the integration of the 3D DWT with $1\times 1$ convolution into a DWT+conv unit within a 3D Unet for the discriminator; 3) the use of the trained model for high-quality image SR, accompanied by an intrinsic denoising process. We dub the model "Denoising Induced Super-resolution GAN (DISGAN)" due to its dual effects of SR image generation and simultaneous denoising. Departing from the traditional approach of training SR and denoising tasks as separate models, our proposed DISGAN is trained only on the SR task, but also achieves exceptional performance in denoising. The model is trained on 3D MRI data from dozens of subjects from the Human Connectome Project (HCP) and further evaluated on previously unseen MRI data from subjects with brain tumours and epilepsy to assess its denoising and SR performance.
• Abstract（参考訳）: MRIスーパーレゾリューション(SR)とDenoising Taskはディープラーニングの分野における基本的な課題であり、伝統的に別々のペアトレーニングデータを用いて異なるタスクとして扱われてきた。 本稿では,単一のディープラーニングモデルを用いて2つのタスクを同時に処理し,トレーニング中にノイズとクリーンなイメージを明示的にペアリングする必要をなくした,革新的な手法を提案する。 提案モデルは主にSRのために訓練されているが,超解像に顕著なノイズ除去能力を示す。 生成過程に周波数関連操作を導入する従来の手法の代わりに、周波数インフォームド判別器によって誘導されるGANモデルを用いる。 そこで我々は,3次元離散ウェーブレット変換(DWT)演算を,磁気共鳴画像(MRI)データにおけるSRタスクの周波数制約として活用する。 特に私たちの貢献には 1) 残留抵抗接続ブロックに基づく3次元生成装置 2) 3d dwt と 1\times 1$ 畳み込みを識別者用3d unet内のdwt+convユニットに統合すること。 3) 学習モデルを用いて, 内在性認知過程を伴う高画質画像SRを作製した。 我々は、SR画像生成と同時復調の二重効果により、モデル「分解誘導超解像GAN(DISGAN)」をダブする。 従来のSRの訓練やタスクを個別のモデルとして記述するというアプローチとは別に,提案したdisGANはSRタスクのみに基づいて訓練されるだけでなく,復調における優れたパフォーマンスも達成できる。 このモデルは、Human Connectome Project(HCP)の何十人もの被験者の3D MRIデータに基づいてトレーニングされ、さらに脳腫瘍やてんかんの患者からの未確認MRIデータに基づいて、その認知とSRのパフォーマンスを評価する。

関連論文リスト

• INFusion: Diffusion Regularized Implicit Neural Representations for 2D and 3D accelerated MRI reconstruction [0.0]
  Inlicit Neural Representations (INRs) は、MRI(MRI)の取得を加速するための学習ベースのアプローチである。 本研究は、アンダーサンプルMR測定からINRの最適化を規則化する手法であるINFusionを提案する。 また,大規模な3次元MRデータセットにINRを適用可能な拡散正則化を用いたハイブリッド3次元アプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-19T23:51:26Z)
• M3DM-NR: RGB-3D Noisy-Resistant Industrial Anomaly Detection via Multimodal Denoising [63.39134873744748]
  既存の産業異常検出手法は主に、原始RGB画像を用いた教師なし学習に重点を置いている。 本稿では,CLIPの強力なマルチモーダル識別機能を利用する新しい耐雑音性M3DM-NRフレームワークを提案する。 M3DM-NRは3D-RGBマルチモーダルノイズ異常検出において最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2024-06-04T12:33:02Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• Iterative Learning for Joint Image Denoising and Motion Artifact Correction of 3D Brain MRI [11.806804196128953]
  本稿では, 動きアーチファクトを用いたノイズの多いMRIの処理を反復学習により行うJDAC(Joint Image Denoising and Motion Artifact Correction)フレームワークを提案する。 まず,新しい雑音レベル推定手法を設計し,推定雑音分散に基づく特徴正規化条件付きU-Netバックボーンによる雑音を適応的に低減する。 アンチアーティファクトモデルは、運動補正プロセス中に脳解剖の整合性を維持するために設計された、新しい勾配に基づく損失関数を組み込んだ、運動アーティファクトの除去に別のU-Netを使用している。
  論文  参考訳（メタデータ） (2024-03-13T01:18:55Z)
• 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)
• Realistic Noise Synthesis with Diffusion Models [68.48859665320828]
  Deep Image Denoisingモデルは、しばしば高品質なパフォーマンスのために大量のトレーニングデータに依存します。 本稿では,拡散モデル,すなわちRealistic Noise Synthesize Diffusor(RNSD)を用いて現実的な雑音を合成する新しい手法を提案する。 RNSDは、より現実的なノイズや空間的相関を複数の周波数で生成できるような、ガイド付きマルチスケールコンテンツを組み込むことができる。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• 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)
• Learning a Model-Driven Variational Network for Deformable Image Registration [89.9830129923847]
  VR-Netは、教師なしの変形可能な画像登録のための新しいカスケード可変ネットワークである。 登録精度において最先端のディープラーニング手法よりも優れています。 ディープラーニングの高速推論速度と変分モデルのデータ効率を維持している。
  論文  参考訳（メタデータ） (2021-05-25T21:37:37Z)
• Image Super-Resolution via Iterative Refinement [53.57766722279425]
  SR3は再精製による超解像へのアプローチである。 確率的デノイジング拡散モデルを条件付き画像生成に適応させる。 様々な倍率係数の超分解能タスクに強い性能を示す。
  論文  参考訳（メタデータ） (2021-04-15T17:50:42Z)
• Single-Image HDR Reconstruction by Learning to Reverse the Camera Pipeline [100.5353614588565]
  本稿では,LDR画像形成パイプラインの領域知識をモデルに組み込むことを提案する。 我々は,HDRto-LDR画像形成パイプラインを(1)ダイナミックレンジクリッピング,(2)カメラ応答関数からの非線形マッピング,(3)量子化としてモデル化する。 提案手法は,最先端の単一画像HDR再構成アルゴリズムに対して良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-04-02T17:59:04Z)

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。