論文の概要: Optimisation of SOUP-GAN and CSR-GAN for High Resolution MR Images Reconstruction

• arxiv url: http://arxiv.org/abs/2603.00204v1
• Date: Fri, 27 Feb 2026 11:03:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.106778
• Title: Optimisation of SOUP-GAN and CSR-GAN for High Resolution MR Images Reconstruction
• Title（参考訳）: 高分解能MR画像再構成のための SoUP-GAN と CSR-GAN の最適化
• Authors: Muneeba Rashid, Hina Shakir, Humaira Mehwish, Asarim Amir, Reema Qaiser Khan,
• Abstract要約: 本研究は,2つの効率的なGANモデルを用いたMRI画像品質向上に焦点を当てた。 それぞれのジェネレータと判別器は、畳み込み層を追加してさらに深められ、フィルタサイズも強化された。 実験の結果,CSR-GANは高頻度で画像の再構成を行い,他の手法と比較してノイズを低減できることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Magnetic Resonance (MR) imaging is a diagnostic tool used in modern medicine; however, its output can be affected by motion artefacts and may be limited by equipment. This research focuses on MRI image quality enhancement using two efficient Generative Adversarial Networks (GANs) models: SOUP-GAN and CSR-GAN. In both models, meaningful architectural modifications were introduced. The generator and discriminator of each were further deepened by adding convolutional layers and were enhanced in filter sizes as well. The LeakyReLU activation function was used to improve gradient flow, and hyperparameter tuning strategies were applied, including a reduced learning rate and an optimal batch size. Moreover, spectral normalisation was proposed to address mode collapse and improve training stability. The experiment shows that CSR-GAN has better performance in reconstructing the image with higher frequency details and reducing noise compared to other methods, with an optimised PSNR of 34.6 and SSIM of 0.89. However, SOUP-GAN performed the best in terms of delivering less noisy images with good structures, achieving a PSNR of 34.4 and SSIM of 0.83. The obtained results indicate that the proposed enhanced GAN model can be a useful tool for MR image quality improvement for subsequent better disease diagnostics.
• Abstract（参考訳）: MRイメージングは現代医学で用いられる診断ツールであるが、その出力は運動アーチファクトに影響され、機器によって制限される可能性がある。 本研究では、2つの効率的なGANモデル(SOUP-GANとCSR-GAN)を用いたMRI画像品質向上に焦点を当てた。 どちらのモデルにも有意義なアーキテクチャ変更が導入された。 それぞれのジェネレータと判別器は、畳み込み層を追加してさらに深められ、フィルタサイズも強化された。 LeakyReLUアクティベーション関数は勾配流の改善に利用され、学習率の低減とバッチサイズの最適化を含むハイパーパラメータチューニング戦略が適用された。 さらに,モード崩壊に対処し,トレーニング安定性を向上させるためにスペクトル正規化を提案した。 実験により、CSR-GANは、他の手法に比べて高頻度で画像の再構成とノイズ低減に優れた性能を示し、最適化PSNRは34.6、SSIMは0.89である。 しかし、SOUP-GANはノイズの少ない画像を良い構造で提供し、PSNRは34.4、SSIMは0.83である。 以上の結果から,GANモデルの改良はMR画像の画質向上に有用であることが示唆された。

関連論文リスト

• Comparative clinical evaluation of "memory-efficient" synthetic 3d generative adversarial networks (gan) head-to-head to state of art: results on computed tomography of the chest [35.858837946090674]
  本研究では,新しいメモリ効率GANアーキテクチャであるCRF-GANを紹介する。 このモデルの性能は、最先端階層型(HA)-GANモデルに対して評価される。
  論文  参考訳（メタデータ） (2025-01-26T15:57:44Z)
• Efficient Medicinal Image Transmission and Resolution Enhancement via GAN [0.0]
  本稿では,ネットワーク伝送の最適化により画像の品質を向上する効率的な手法を提案する。 Real-ESRGANによるX線画像の低解像度ファイルへの前処理は、サーバの負荷と送信帯域幅の削減に役立つ。 低解像度画像はReal-ESRGANを用いて受信端でアップスケールされる。
  論文  参考訳（メタデータ） (2024-11-19T19:39:42Z)
• 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)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• DifAugGAN: A Practical Diffusion-style Data Augmentation for GAN-based Single Image Super-resolution [88.13972071356422]
  本稿では,DifAugGAN として知られる GAN ベースの画像超解像法(SR) のための拡散型データ拡張手法を提案する。 それは、訓練中の判別器の校正を改善するために、生成拡散モデルに拡散過程を適用することを含む。 我々のDifAugGANは、現在のGANベースのSISR手法のプラグ・アンド・プレイ戦略であり、判別器の校正を改善し、SR性能を向上させることができる。
  論文  参考訳（メタデータ） (2023-11-30T12:37:53Z)
• Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders (DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
  高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。 Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。 この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
  論文  参考訳（メタデータ） (2023-07-12T00:01:00Z)
• Rethinking Degradation: Radiograph Super-Resolution via AID-SRGAN [9.599347633285635]
  超解像超解像のための医療用 AttentIon Denoising Super Resolution Generative Adversarial Network (AID-SRGAN) を提案する。 我々の知る限りでは、これがX線画像に初めて提案された複合劣化モデルである。 提案手法はPSNRの311.90ドル,スケール係数は4倍であり,近年の成果よりも7.05%高い。
  論文  参考訳（メタデータ） (2022-08-05T06:54:44Z)
• Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
  我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。 我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
  論文  参考訳（メタデータ） (2022-01-04T08:30:09Z)
• Performance of a GPU- and Time-Efficient Pseudo 3D Network for Magnetic Resonance Image Super-Resolution and Motion Artifact Reduction [7.532638301149741]
  磁気共鳴イメージング(MRI)の最重要課題は、取得時間短縮と運動アーティファクトの減少である 深層学習に基づく画像復元は、高分解能かつモーションアーティファクトのないMRI画像を生成するための有望なソリューションとして登場した。 本研究では, 擬似3次元MRI画像の超解像再構成(SRR)と動きアーチファクト縮小(MAR)のための統合された2次元ディープラーニングフレームワークを採用した。 ネットワークの精度は画素ワイドの不確実性マップを用いて評価し、最先端の手法に対して性能をベンチマークした。
  論文  参考訳（メタデータ） (2021-11-28T22:58:00Z)
• 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)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Designing a Practical Degradation Model for Deep Blind Image Super-Resolution [134.9023380383406]
  単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。 本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
  論文  参考訳（メタデータ） (2021-03-25T17:40:53Z)
• GRAPPA-GANs for Parallel MRI Reconstruction [0.0]
  GeneRalized Autocalibrating partial Parallel Acquisition(GRAPPA)と条件付き生成逆ネットワーク(GAN)を組み合わせた再構成モデルを開発した。 各種加速速度について,GANとGRAPPAをピーク信号対雑音比(PSNR)と構造類似度(SSIM)で比較した。
  論文  参考訳（メタデータ） (2021-01-05T15:47:20Z)
• 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。