論文の概要: Layer Selection in Feature-Based Losses Affects Image Quality and Microstructural Consistency in Deep Learning Super-Resolution of Brain Diffusion MRI

• arxiv url: http://arxiv.org/abs/2605.15895v1
• Date: Fri, 15 May 2026 12:23:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.279592
• Title: Layer Selection in Feature-Based Losses Affects Image Quality and Microstructural Consistency in Deep Learning Super-Resolution of Brain Diffusion MRI
• Title（参考訳）: 脳拡散MRIのディープラーニング超解像における画像品質と構造的整合性に及ぼす特徴的損失の層選択の影響
• Authors: David Lohr, Rene Werner,
• Abstract要約: 本研究では,ディープラーニング超解像における拡散信号の整合性を維持するための特徴に基づく損失関数の有効性について検討した。 より深い層とそれらの組み合わせにより、超高分解能DWIの格子状アーティファクトが得られ、これは量的および分数的異方性のような拡散パラメータに持続した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Clinical application of high-resolution diffusion MRI is hindered by hardware limitations and prohibitive scan times, motivating computational super-resolution. This study investigates the efficacy of a feature-based loss function in preserving diffusion signal consistency in deep learning super-resolution. Using 7T data from the human connectome project to generate pairs of low- and high-resolution diffusion weighted images (DWI), we trained UNets for 2D super-resolution. Ablation and isolation studies evaluated different VGG16-layers for feature-based losses against an image-based L1 baseline. Deeper layers and combinations thereof resulted in grid-like artifacts in super-resolution DWIs, which persisted in diffusion parameters like quantitative and fractional anisotropy. No such artifacts were present when using the shallowest layer. Downstream analysis for this layer showed great consistency with the ground truth, even for 9-fold super-resolution. Image SNR and used VGG16-layer depths modulated artifact appearance and severity, mandating careful selection of contributing layers for application in and beyond diffusion MRI.
• Abstract（参考訳）: 高分解能拡散MRIの臨床応用は、ハードウェアの制限とスキャンの禁止により妨げられ、計算超解像を動機付けている。 本研究では,ディープラーニング超解像における拡散信号の整合性を維持するための特徴に基づく損失関数の有効性について検討した。 人間のコネクトームプロジェクトから得られた7Tデータを用いて,低解像度と高解像度の拡散重み付き画像(DWI)のペアを生成し,UNetsを2次元超解像のために訓練した。 画像ベースL1ベースラインに対する特徴に基づく損失に対して,異なるVGG16層をアブレーションおよびアイソレーション試験により評価した。 より深い層とそれらの組み合わせにより、超高分解能DWIの格子状アーティファクトが得られ、これは量的および分数的異方性のような拡散パラメータに持続した。 最も浅い層を使う際にはそのような人工物は存在しなかった。 この層に対する下流解析は, 9倍の超解像であっても, 地上の真理と非常に整合性を示した。 Image SNR and used VGG16-layer depths modulated artifact appearance and severity, mandating careful selection of contribute layer for application in and beyondfusion MRI。

関連論文リスト

• DSA-SRGS: Super-Resolution Gaussian Splatting for Dynamic Sparse-View DSA Reconstruction [67.42242016220122]
  血管造影は脳血管疾患の補助的診断と治療のための重要な画像診断法である。 ガウススプラッティングと動的神経表現の最近の進歩は、スパースダイナミックインプットから頑健な3次元血管再構築を可能にしている。 本稿では、動的スパースビューDSA再構成のための初の超高分解能ガウススプラッティングフレームワークであるDSA-SRGSを提案する。
  論文  参考訳（メタデータ） (2026-03-05T03:41:08Z)
• 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)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• DisC-Diff: Disentangled Conditional Diffusion Model for Multi-Contrast MRI Super-Resolution [8.721585866050757]
  マルチコントラスト脳MRI超解像のための条件拡散モデルDisC-Diffを提案する。 DisC-Diffは修復における不確実性を効果的に推定し、安定した最適化プロセスを保証する。 578個の正常脳を含むIXIデータセットと316個の病理脳を含む臨床データセットの2つのデータセットに対するDisC-Diffの有効性を検証した。
  論文  参考訳（メタデータ） (2023-03-24T11:42:45Z)
• GAN-based Super-Resolution and Segmentation of Retinal Layers in Optical coherence tomography Scans [13.016298207860974]
  網膜層のCTスキャンの超高分解能化とセグメンテーションのためのGAN(Generative Adversarial Network)ベースのソリューションを提案する。 GANに基づくセグメンテーションモデルと、人気のあるネットワーク、すなわちU-NetとResNetをGANアーキテクチャに組み込んだ評価を行う。 我々の最良のモデル構成は、Dice係数 0.867 と mIOU 0.765 を実証的に達成した。
  論文  参考訳（メタデータ） (2022-06-28T03:53:40Z)
• 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)
• SRDTI: Deep learning-based super-resolution for diffusion tensor MRI [1.477115160815656]
  長時間の走査時間と信号-雑音比の制限は、サブミリ波分解能でDTIを取得する上で大きな障壁となる。 低分解能DWIから高分解能拡散強調画像(DWI)を合成する深層学習型超解像法「SRDTI」を提案する。
  論文  参考訳（メタデータ） (2021-02-17T23:21:06Z)
• Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
  本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。 トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2020-08-05T02:33:04Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。