論文の概要: MRI Super-Resolution with Deep Learning: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2511.16854v1
• Date: Thu, 20 Nov 2025 23:36:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.840876
• Title: MRI Super-Resolution with Deep Learning: A Comprehensive Survey
• Title（参考訳）: 深層学習によるMRI超解像 : 総合的研究
• Authors: Mohammad Khateri, Serge Vasylechko, Morteza Ghahremani, Liam Timms, Deniz Kocanaogullari, Simon K. Warfield, Camilo Jaimes, Davood Karimi, Alejandra Sierra, Jussi Tohka, Sila Kurugol, Onur Afacan,
• Abstract要約: 高分解能(HR)磁気共鳴イメージング(MRI)は多くの臨床および研究用途において重要である。 超解像(SR)はこれらの課題を克服するための有望な計算手法を示す。
• 参考スコア（独自算出の注目度）: 34.34897483438121
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution (HR) magnetic resonance imaging (MRI) is crucial for many clinical and research applications. However, achieving it remains costly and constrained by technical trade-offs and experimental limitations. Super-resolution (SR) presents a promising computational approach to overcome these challenges by generating HR images from more affordable low-resolution (LR) scans, potentially improving diagnostic accuracy and efficiency without requiring additional hardware. This survey reviews recent advances in MRI SR techniques, with a focus on deep learning (DL) approaches. It examines DL-based MRI SR methods from the perspectives of computer vision, computational imaging, inverse problems, and MR physics, covering theoretical foundations, architectural designs, learning strategies, benchmark datasets, and performance metrics. We propose a systematic taxonomy to categorize these methods and present an in-depth study of both established and emerging SR techniques applicable to MRI, considering unique challenges in clinical and research contexts. We also highlight open challenges and directions that the community needs to address. Additionally, we provide a collection of essential open-access resources, tools, and tutorials, available on our GitHub: https://github.com/mkhateri/Awesome-MRI-Super-Resolution. IEEE keywords: MRI, Super-Resolution, Deep Learning, Computational Imaging, Inverse Problem, Survey.
• Abstract（参考訳）: 高分解能(HR)磁気共鳴イメージング(MRI)は多くの臨床および研究用途において重要である。 しかし、技術的トレードオフや実験的な制限によって、それを達成するにはコストがかかり、制約がかかります。 超解像度(SR)は、より安価な低解像度(LR)スキャンからHR画像を生成し、追加のハードウェアを必要とせずに診断精度と効率を向上させることにより、これらの課題を克服するための有望な計算手法を提供する。 本稿では,近年のMRI SR技術の進歩を概観し,ディープラーニング(DL)アプローチに焦点をあてる。 コンピュータビジョン、計算イメージング、逆問題、MR物理といった観点から、DLベースのMRI SR法を調べ、理論的基礎、アーキテクチャ設計、学習戦略、ベンチマークデータセット、パフォーマンスメトリクスを網羅する。 本稿では,これらの手法を分類する体系的な分類法を提案し,臨床・研究の文脈における特異な課題を考慮し,MRIに適用可能な確立されたSR技術と新興SR技術の両方について詳細な研究を行う。 また、コミュニティが対処する必要があるオープンな課題と方向性も強調します。 https://github.com/mkhateri/Awesome-MRI-Super-Resolution.com(リンク)。 IEEEのキーワード: MRI, Super-Resolution, Deep Learning, Computational Imaging, Inverse Problem, Survey。

関連論文リスト

• A Comprehensive Survey on Magnetic Resonance Image Reconstruction [6.157032790444799]
  近年,深層学習に基づくMRIの再建が著しい進歩を遂げている。 しかし、MRIの再建は未だ完全には解決されていない難しい問題である。
  論文  参考訳（メタデータ） (2025-03-10T09:20:53Z)
• 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)
• Unpaired MRI Super Resolution with Contrastive Learning [33.65350200042909]
  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。
  論文  参考訳（メタデータ） (2023-10-24T12:13:51Z)
• 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)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• 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)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• 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。