論文の概要: MedSR-Vision: Deep Learning Framework for Multi-Domain Medical Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2605.03343v1
• Date: Tue, 05 May 2026 04:02:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.755972
• Title: MedSR-Vision: Deep Learning Framework for Multi-Domain Medical Image Super-Resolution
• Title（参考訳）: MedSR-Vision:マルチドメイン医用画像超解像のためのディープラーニングフレームワーク
• Authors: Subhash Gurappa, Trivikram Satharasi, Yashas Hariprasad, Sundararaj Sitharama Iyengar,
• Abstract要約: 本稿では,5つのモードにわたる超解像モデルの評価と比較を行う,新しい統合ディープラーニングフレームワークであるMedSR-Visionを提案する。 SRCNN、SwinIR、Real-ESRGANの3つの代表的なモデルは、忠実さ、知覚リアリズム、シャープネスを含む複数の定量的指標を用いてベンチマークされる。 実験により,Real-ESRGANは高スケールで優れた知覚品質とエッジ回復を実現し,SwinIRは構造的・診断的特徴の保存に優れ,SRCNNは低倍率で効率よく安定した性能を提供することが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image super-resolution (MedSR) is essential for improving diagnostic precision across diverse imaging modalities such as MRI, CT, X-ray, Ultrasound, and Fundus imaging. Despite rapid advances in deep learning, challenges remain in preserving anatomical accuracy, maintaining perceptual quality, and generalizing across medical domains. This paper presents MedSR-Vision, a novel unified deep learning framework for evaluating and comparing super-resolution models across five modalities: Brain MRI, Chest X-ray, Renal Ultrasound, Nephrolithiasis CT, and Spine MRI, at magnification scales of $\times2$, $\times3$, and $\times4$. Three representative models namely SRCNN, SwinIR, and Real-ESRGAN are benchmarked using multiple quantitative metrics encompassing fidelity, perceptual realism, and sharpness. Experimental analysis demonstrates that Real-ESRGAN achieves superior perceptual quality and edge recovery at higher scales, SwinIR excels in preserving structural and diagnostic features, and SRCNN provides efficient and stable performance at lower magnifications. The results establish domain-specific insights and practical guidelines for model selection in clinical imaging workflows, offering a standardized evaluation framework for future medical image super-resolution research and deployment.
• Abstract（参考訳）: 医用画像超解像(MedSR)はMRI,CT,X線,超音波,Fundus画像などの様々な画像モダリティの診断精度の向上に不可欠である。 ディープラーニングの急速な進歩にもかかわらず、解剖学的精度の維持、知覚的品質の維持、医学領域全体の一般化が課題である。 本稿では,脳MRI,胸部X線,腎超音波,腎結石CT,Spine MRIの5つのモードで超解像モデルの評価と比較を行う新しい統合ディープラーニングフレームワークであるMedSR-Visionについて,倍率スケールが$\times2$,$\times3$,$\times4$について述べる。 SRCNN、SwinIR、Real-ESRGANの3つの代表的なモデルは、忠実さ、知覚リアリズム、シャープネスを含む複数の定量的指標を用いてベンチマークされる。 実験により,Real-ESRGANは高スケールで優れた知覚品質とエッジ回復を実現し,SwinIRは構造的・診断的特徴の保存に優れ,SRCNNは低倍率で効率よく安定した性能を提供することが示された。 その結果、臨床画像のワークフローにおけるドメイン固有の洞察とモデル選択の実践的ガイドラインを確立し、将来の医療画像の超解像研究および展開のための標準化された評価フレームワークを提供する。

関連論文リスト

• Optimized Weighted Voting System for Brain Tumor Classification Using MRI Images [0.0]
  本稿では,ディープラーニングと従来の機械学習モデルを組み合わせた重み付きアンサンブル学習手法を提案する。 重み付けされた投票機構は、より優れた個人精度を持つモデルに高い影響力を与え、堅牢な意思決定を保証する。 FigshareとKaggleのMRIデータセットを用いた実験により,提案手法が最先端の精度を実現することを示す。
  論文  参考訳（メタデータ） (2026-03-30T12:24:54Z)
• Lesion-Aware Post-Training of Latent Diffusion Models for Synthesizing Diffusion MRI from CT Perfusion [12.777937532267105]
  ラテント拡散モデル(LDMs)は圧縮されたラテント空間における効率的な学習を活用する。 この効率性にはトレードオフがあり、重要なピクセルレベルの詳細を妥協させる可能性がある。 本稿では, 画像から画像への変換において, 病変対応の医用画素空間の目的を取り入れた, LDMの新たなトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-10T06:51:27Z)
• From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
  FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。 この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
  論文  参考訳（メタデータ） (2025-08-13T17:56:29Z)
• RadIR: A Scalable Framework for Multi-Grained Medical Image Retrieval via Radiology Report Mining [64.66825253356869]
  本稿では,複数の粒度で画像の類似度を決定するために,高密度ラジオロジーレポートを利用した新しい手法を提案する。 我々は、胸部X線用MIMIC-IRとCTスキャン用CTRATE-IRの2つの総合的な医用画像検索データセットを構築した。 RadIR-CXR と Model-ChestCT という2つの検索システムを開発し,従来の画像画像検索と画像レポート検索に優れた性能を示す。
  論文  参考訳（メタデータ） (2025-03-06T17:43:03Z)
• 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)
• SeCo-INR: Semantically Conditioned Implicit Neural Representations for Improved Medical Image Super-Resolution [25.078280843551322]
  Inlicit Neural Representation (INR) は、信号の連続的な表現を学習する能力により、近年ディープラーニングの分野を進歩させている。 医用画像から局所的な先行情報を用いてINRを条件付ける,Semantically Conditioned INR (SeCo-INR) と呼ばれる新しいフレームワークを提案する。 本フレームワークは、医用画像のセマンティックセグメンテーション特徴の連続表現を学習し、それを用いて画像の各セマンティック領域に対して最適なINRを導出する。
  論文  参考訳（メタデータ） (2024-09-02T07:45:06Z)
• Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
  超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。 我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
  論文  参考訳（メタデータ） (2024-04-15T02:41:55Z)
• Fine-tuned Generative Adversarial Network-based Model for Medical Image Super-Resolution [2.647302105102753]
  The Real-Enhanced Super-Resolution Generative Adversarial Network (Real-ESRGAN) is a practical model for recovery HR images from real-world LR images。 実世界の画像劣化をシミュレートするReal-ESRGANの高次劣化モデルを用いる。 提案モデルでは,Real-ESRGANモデルに比べて知覚品質が優れ,細部を効果的に保存し,より現実的なテクスチャで画像を生成する。
  論文  参考訳（メタデータ） (2022-11-01T16:48:04Z)
• 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)

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。