論文の概要: Unpaired MRI Super Resolution with Contrastive Learning
- arxiv url: http://arxiv.org/abs/2310.15767v3
- Date: Fri, 16 Feb 2024 12:59:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-19 20:09:15.470055
- Title: Unpaired MRI Super Resolution with Contrastive Learning
- Title（参考訳）: コントラスト学習を用いたunpaired mri super resolution
- Authors: Hao Li, Quanwei Liu, Jianan Liu, Xiling Liu, Yanni Dong, Tao Huang,
Zhihan Lv
- Abstract要約: 深層学習に基づく画像超解像法は、余分なコストなしでMRIの解像度を改善することを約束する。
整列性高分解能(HR)と低分解能(LR)のMRI画像ペアが欠如しているため、教師なしのアプローチはMRI画像によるSR再構成に広く採用されている。
我々は,限られたHRデータでSR性能を向上させるために,コントラスト学習を用いたMRI SRアプローチを提案する。
- 参考スコア（独自算出の注目度）: 33.65350200042909
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Magnetic resonance imaging (MRI) is crucial for enhancing diagnostic accuracy
in clinical settings. However, the inherent long scan time of MRI restricts its
widespread applicability. Deep learning-based image super-resolution (SR)
methods exhibit promise in improving MRI resolution without additional cost.
Due to lacking of aligned high-resolution (HR) and low-resolution (LR) MRI
image pairs, unsupervised approaches are widely adopted for SR reconstruction
with unpaired MRI images. However, these methods still require a substantial
number of HR MRI images for training, which can be difficult to acquire. To
this end, we propose an unpaired MRI SR approach that employs contrastive
learning to enhance SR performance with limited HR training data. Empirical
results presented in this study underscore significant enhancements in the peak
signal-to-noise ratio and structural similarity index, even when a paucity of
HR images is available. These findings accentuate the potential of our approach
in addressing the challenge of limited HR training data, thereby contributing
to the advancement of MRI in clinical applications.
- Abstract（参考訳）: MRIは臨床診断の精度を高めるために重要である。
しかし、MRIの経時変化は、その適用範囲を制限している。
深層学習に基づく画像超解像(SR)法は、追加コストなしでMRIの解像度を改善することを約束する。
整列性高分解能(HR)と低分解能(LR)のMRI画像ペアが欠如しているため、教師なしのアプローチはMRI画像によるSR再構成に広く採用されている。
しかし、これらの手法はトレーニングのためにかなりの数のHR MRI画像を必要とするため、取得は困難である。
そこで本研究では, 対向学習を用いて, HRトレーニングデータに制限のあるSR性能を向上するMRI SR手法を提案する。
本研究で得られた実験結果は,hr画像のpaucityが利用可能であっても,ピーク信号対雑音比と構造類似度指数が著しく向上することを示す。
以上の結果から, HRトレーニングデータ不足の課題に対処する上でのアプローチの可能性が強調され, 臨床応用におけるMRIの進歩に寄与すると考えられた。
関連論文リスト
- Robust MRI Reconstruction by Smoothed Unrolling (SMUG) [17.391075587858058]
SMUG(Smoothed Unrolling)と呼ばれる新しい画像再構成フレームワークを提案する。
SMUGは、ランダムスムーシング(RS)に基づく頑健な学習アプローチを用いて、ディープアンローリングに基づくMRI再構成モデルを前進させる。
我々は,SMUGがMRI再建の堅牢性を向上させることを示し,様々な不安定源のセットについて述べる。
論文 参考訳（メタデータ） (2023-12-12T22:57:14Z) - CMRxRecon: An open cardiac MRI dataset for the competition of
accelerated image reconstruction [62.61209705638161]
ディープラーニングベースのCMRイメージングアルゴリズムへの関心が高まっている。
ディープラーニング手法は大規模なトレーニングデータセットを必要とする。
このデータセットには300人の被験者のマルチコントラスト、マルチビュー、マルチスライス、マルチコイルCMRイメージングデータが含まれている。
論文 参考訳（メタデータ） (2023-09-19T15:14:42Z) - CL-MRI: Self-Supervised Contrastive Learning to Improve the Accuracy of Undersampled MRI Reconstruction [25.078280843551322]
コントラスト学習を用いた自己教師付き事前訓練手法を導入し,MRI画像再構成の精度を向上する。
本実験は, 各種加速度因子およびデータセットの再構成精度の向上を実証した。
論文 参考訳（メタデータ） (2023-06-01T10:29:58Z) - 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) - A Long Short-term Memory Based Recurrent Neural Network for
Interventional MRI Reconstruction [50.1787181309337]
本稿では,畳み込み長短期記憶(Conv-LSTM)に基づくリカレントニューラルネットワーク(Recurrent Neural Network, RNN)を提案する。
提案アルゴリズムは,DBSのリアルタイムi-MRIを実現する可能性があり,汎用的なMR誘導介入に使用できる。
論文 参考訳（メタデータ） (2022-03-28T14:03:45Z) - 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) - Multi-institutional Collaborations for Improving Deep Learning-based
Magnetic Resonance Image Reconstruction Using Federated Learning [62.17532253489087]
深層学習法はmr画像再構成において優れた性能をもたらすことが示されている。
これらの方法は、高い取得コストと医療データプライバシー規制のために収集および共有が困難である大量のデータを必要とします。
我々は,異なる施設で利用可能なmrデータを活用し,患者のプライバシーを保ちながら,連合学習(fl)ベースのソリューションを提案する。
論文 参考訳（メタデータ） (2021-03-03T03:04:40Z) - 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) - Perception Consistency Ultrasound Image Super-resolution via
Self-supervised CycleGAN [63.49373689654419]
自己スーパービジョンとサイクル生成対向ネットワーク(CycleGAN)に基づく新しい知覚整合超音波画像超解像法を提案する。
まず,検査用超音波LR画像のHR父子とLR子を画像強調により生成する。
次に、LR-SR-LRとHR-LR-SRのサイクル損失と判別器の対角特性をフル活用して、より知覚的に一貫性のあるSR結果を生成する。
論文 参考訳（メタデータ） (2020-12-28T08:24:04Z)
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。