要約
このホワイト ペーパーでは、臨床 1.5T MRI から脳全体の 3T に似た MR 画像を生成する際の多数のディープ ニューラル ネットワーク モデルの機能を調べます。
モデルには、完全畳み込みネットワーク (FCN) メソッドと、ESPCN [26]、SRGAN [17]、および PRSR [7] の 3 つの最先端の超解像ソリューションが含まれています。
FCN ソリューションである U-Convert-Net は、マルチビュー アンサンブルによって統合された 3D 近隣情報を使用して、U-Net のようなアーキテクチャを通じて 1.5T から 3T へのスライスのマッピングを実行します。
モデルの長所と短所、および関連する評価指標は、実験で測定され、詳細に議論されています。
私たちの知る限り、この研究は、全脳 MRI 変換のための複数の深層学習ソリューションを評価する最初の研究であり、この目的のために FCN/U-Net のような構造を利用する最初の試みでもあります。
要約(オリジナル)
In this paper, we explore the capabilities of a number of deep neural network models in generating whole-brain 3T-like MR images from clinical 1.5T MRIs. The models include a fully convolutional network (FCN) method and three state-of-the-art super-resolution solutions, ESPCN [26], SRGAN [17] and PRSR [7]. The FCN solution, U-Convert-Net, carries out mapping of 1.5T-to-3T slices through a U-Net-like architecture, with 3D neighborhood information integrated through a multi-view ensemble. The pros and cons of the models, as well the associated evaluation metrics, are measured with experiments and discussed in depth. To the best of our knowledge, this study is the first work to evaluate multiple deep learning solutions for whole-brain MRI conversion, as well as the first attempt to utilize FCN/U-Net-like structure for this purpose.
arxiv情報
| 著者 | Binhua Liao,Yani Chen,Zhewei Wang,Charles D. Smith,Jundong Liu |
| 発行日 | 2022-10-12 16:14:42+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google