論文の概要: Deep Learning Superresolution for 7T Knee MR Imaging: Impact on Image Quality and Diagnostic Performance

• arxiv url: http://arxiv.org/abs/2601.02436v1
• Date: Mon, 05 Jan 2026 08:14:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.665133
• Title: Deep Learning Superresolution for 7T Knee MR Imaging: Impact on Image Quality and Diagnostic Performance
• Title（参考訳）: 7T Knee MR イメージングのためのディープラーニング超解像:画像品質と診断性能に及ぼす影響
• Authors: Pinzhen Chen, Libo Xu, Boyang Pan, Jing Li, Yuting Wang, Ran Xiong, Xiaoli Gou, Long Qing, Wenjing Hou, Nan-jie Gong, Wei Chen,
• Abstract要約: 深層学習型超解像 (SR) は筋骨格MR画像の画質を向上させる可能性があるが, 7T における膝関節画像診断の意義は明らかでない。 この前向き研究では、42人の被験者がLR (0.8*0.8*2 mm3) とHR (0.4*0.4*2 mm3) で7T膝MRIを行った。 SR画像では、LR(中間スコア5対4P.001)よりも全体的な品質が高く、HR(5対4P.001)よりも低ノイズであった。 SR, HRにおける軟骨, 半月, 靭帯の可視性はLR(P.001)と比較して優れていた
• 参考スコア（独自算出の注目度）: 9.850629136760842
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Deep learning superresolution (SR) may enhance musculoskeletal MR image quality, but its diagnostic value in knee imaging at 7T is unclear. Objectives: To compare image quality and diagnostic performance of SR, low-resolution (LR), and high-resolution (HR) 7T knee MRI. Methods: In this prospective study, 42 participants underwent 7T knee MRI with LR (0.8*0.8*2 mm3) and HR (0.4*0.4*2 mm3) sequences. SR images were generated from LR data using a Hybrid Attention Transformer model. Three radiologists assessed image quality, anatomic conspicuity, and detection of knee pathologies. Arthroscopy served as reference in 10 cases. Results: SR images showed higher overall quality than LR (median score 5 vs 4, P<.001) and lower noise than HR (5 vs 4, P<.001). Visibility of cartilage, menisci, and ligaments was superior in SR and HR compared to LR (P<.001). Detection rates and diagnostic performance (sensitivity, specificity, AUC) for intra-articular pathology were similar across image types (P>=.095). Conclusions: Deep learning superresolution improved subjective image quality in 7T knee MRI but did not increase diagnostic accuracy compared with standard LR imaging.
• Abstract（参考訳）: 背景: 深層学習超解像 (SR) は筋骨格MR画像の画質を向上させる可能性があるが, 7T での膝関節画像診断の意義は明らかでない。 目的: SR, 低分解能 (LR), 高分解能 (HR) 7T 膝MRIの画質と診断性能を比較する。 方法:本研究では,42名の被験者がLR (0.8*0.8*2 mm3) とHR (0.4*0.4*2 mm3) の7T膝MRIを行った。 SR画像は,Hybrid Attention Transformerモデルを用いてLRデータから生成した。 3名の放射線技師が, 画像品質, 解剖学的特徴, 膝関節病変の診断について検討した。 症例は10例であった。 結果: SR画像はLR(中間スコア5対4P<.001)より総合的品質が高く, HR(5対4P<.001)より低ノイズ(5対4P<.001)であった。 軟骨,半月,靭帯の視認性は,SR,HRではLR(P<.001。 関節内病理に対する検出率と診断成績(感度,特異性,AUC)は画像タイプ間で類似していた(P>=.095。 結論: 深層学習超解像は7T膝MRIの主観的画質を改善したが, 診断精度は標準のLR画像と比較すると向上しなかった。

関連論文リスト

• Recovering Diagnostic Value: Super-Resolution-Aided Echocardiographic Classification in Resource-Constrained Imaging [0.3937354192623676]
  超高分解能(SR)技術は、MRI(MRI)とCT(CT)スキャンの強化を約束している。 本研究では,低品質2次元心エコー図の分類精度を向上させるために,深層学習に基づくSRの可能性を検討する。 本稿では,高画質画像の高精細化と性能指標の大幅な向上を図るため,SRGAN(Super-Resolution Generative Adversarial Network)とSRResNet(Super-Resolution Residual Network)の2つのSRモデルを適用した。
  論文  参考訳（メタデータ） (2025-07-30T18:45:31Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• 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)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• 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)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• 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)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)
• 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。