CLADE: Cycle Loss Augmented Degradation Enhancement for Unpaired Super-Resolution of Anisotropic Medical Images

要約

三次元 (3D) イメージングは​​、完全な解剖学的範囲を通じて診断と疾患のモニタリングを可能にするため、医療イメージングにおいて非常に人気があります。
コンピュータ断層撮影法または磁気共鳴画像法 (MRI) 技術が一般的に使用されますが、スキャン時間を短縮するために、厚いスライスを含む異方性ボリュームが取得されることがよくあります。
ディープ ラーニング (DL) を使用すると、超解像度再構成 (SRR) を通じて低解像度次元で高解像度の特徴を復元できます。
ただし、これは多くの場合、多くの医療アプリケーションでは利用できないペアのトレーニング データに依存します。
トレーニングにネイティブの異方性 3D 医療画像のみを必要とする新しいアプローチについて説明します。
この方法は、3D ボリュームから抽出された小さな 2D パッチには、方向に関係なく、同様の視覚的特徴が含まれているという観察に基づいています。
したがって、高解像度プレーンの互いに素なパッチを利用して、低解像度プレーンの SRR を学習することが可能です。
私たちが提案するペアのないアプローチでは、サイクル一貫性のある勾配マッピング損失、Cycle Loss Augmented Degradation Enhancement (CLADE) を備えた修正された CycleGAN アーキテクチャを使用します。
サンプルアプリケーションで CLADE の実現可能性を示します。
異方性 3D 腹部 MRI データ。
CLADE を使用すると、教師あり学習や従来の CycleGAN アーキテクチャよりも優れた定量的画像品質を実証します。
CLADE はまた、定性的な画像ランキング、定量的なエッジの鮮明さおよび信号対雑音比の点で、異方性ボリュームに比べて改善が見られます。
この論文では、ペアのトレーニング データを必要とせずに、異方性 3D 医療画像データの超解像度再構成に CLADE を使用できる可能性を示します。

要約(オリジナル)

Three-dimensional (3D) imaging is extremely popular in medical imaging as it enables diagnosis and disease monitoring through complete anatomical coverage. Computed Tomography or Magnetic Resonance Imaging (MRI) techniques are commonly used, however, anisotropic volumes with thick slices are often acquired to reduce scan times. Deep learning (DL) can be used to recover high-resolution features in the low-resolution dimension through super-resolution reconstruction (SRR). However, this often relies on paired training data which is unavailable in many medical applications. We describe a novel approach that only requires native anisotropic 3D medical images for training. This method relies on the observation that small 2D patches extracted from a 3D volume contain similar visual features, irrespective of their orientation. Therefore, it is possible to leverage disjoint patches from the high-resolution plane, to learn SRR in the low-resolution plane. Our proposed unpaired approach uses a modified CycleGAN architecture with a cycle-consistent gradient mapping loss: Cycle Loss Augmented Degradation Enhancement (CLADE). We show the feasibility of CLADE in an exemplar application; anisotropic 3D abdominal MRI data. We demonstrate superior quantitative image quality with CLADE over supervised learning and conventional CycleGAN architectures. CLADE also shows improvements over anisotopic volumes in terms of qualitative image ranking and quantitative edge sharpness and signal-to-noise ratio. This paper demonstrates the potential of using CLADE for super-resolution reconstruction of anisotropic 3D medical imaging data without the need for paired training data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google