Fugu-MT 論文翻訳(概要): Learning Two-factor Representation for Magnetic Resonance Image Super-resolution

論文の概要: Learning Two-factor Representation for Magnetic Resonance Image Super-resolution

arxiv url: http://arxiv.org/abs/2409.09731v1
Date: Sun, 15 Sep 2024 13:32:24 GMT
ステータス: 処理完了
システム内更新日: 2024-09-17 17:40:52.704726
Title: Learning Two-factor Representation for Magnetic Resonance Image Super-resolution
Title（参考訳）: 磁気共鳴画像超解像のための2要素表現の学習
Authors: Weifeng Wei, Heng Chen, Pengxiang Su,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.294284364022674
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Magnetic Resonance Imaging (MRI) requires a trade-off between resolution, signal-to-noise ratio, and scan time, making high-resolution (HR) acquisition challenging. Therefore, super-resolution for MR image is a feasible solution. However, most existing methods face challenges in accurately learning a continuous volumetric representation from low-resolution image or require HR image for supervision. To solve these challenges, we propose a novel method for MR image super-resolution based on two-factor representation. Specifically, we factorize intensity signals into a linear combination of learnable basis and coefficient factors, enabling efficient continuous volumetric representation from low-resolution MR image. Besides, we introduce a coordinate-based encoding to capture structural relationships between sparse voxels, facilitating smooth completion in unobserved regions. Experiments on BraTS 2019 and MSSEG 2016 datasets demonstrate that our method achieves state-of-the-art performance, providing superior visual fidelity and robustness, particularly in large up-sampling scale MR image super-resolution.
Abstract（参考訳）: 磁気共鳴イメージング(MRI)は、高分解能(HR)取得を困難にするため、解像度、信号対雑音比、走査時間の間のトレードオフを必要とする。したがって、MR画像の超解像は実現可能な解である。しかし、既存のほとんどの手法では、低解像度画像から連続的な容積表現を正確に学習するか、監督のためにHR画像を必要とするという課題に直面している。これらの課題を解決するために,2要素表現に基づくMR画像の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係数の線形結合に分解し、低分解能MR画像からの効率的な連続容積表現を可能にする。さらに,スパースボクセル間の構造的関係を捕捉し,未観測領域でのスムーズな補完を容易にするコーディネートを用いた符号化手法を提案する。 BraTS 2019 と MSSEG 2016 データセットを用いた実験により,我々の手法は最先端の性能を実現し,特に大規模MR画像の高解像度化において,優れた視覚的忠実度とロバスト性を提供することが示された。

関連論文リスト

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)
Hyperspectral and multispectral image fusion with arbitrary resolution through self-supervised representations [23.04458119996]
本稿では,2つのニューラル表現を行列因子化に組み込むことにより,新しい連続低ランク因子化(CLoRF)を提案する。提案手法は,行列分解による低ランク化と神経表現による連続性の両方を自己教師的手法で利用することができる。
論文参考訳（メタデータ） (2024-05-28T04:29:23Z)
SSIF: Learning Continuous Image Representation for Spatial-Spectral Super-Resolution [73.46167948298041]
本稿では,空間領域における連続画素座標とスペクトル領域における連続波長の両方の関数として,画像を表すニューラル暗黙モデルを提案する。 SSIFは空間分解能とスペクトル分解能の両方によく対応していることを示す。ダウンストリームタスクのパフォーマンスを1.7%-7%向上させる高解像度画像を生成することができる。
論文参考訳（メタデータ） (2023-09-30T15:23:30Z)
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)
Implicit Diffusion Models for Continuous Super-Resolution [65.45848137914592]
本稿では,高忠実度連続画像超解像のためのインプリシティ拡散モデル(IDM)を提案する。 IDMは暗黙のニューラル表現とデノナイジング拡散モデルを統合されたエンドツーエンドフレームワークに統合する。スケーリング係数は分解能を調節し、最終出力におけるLR情報と生成された特徴の比率を変調する。
論文参考訳（メタデータ） (2023-03-29T07:02:20Z)
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)
Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
論文参考訳（メタデータ） (2022-06-07T14:55:32Z)
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)
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)
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)
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)

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。