TV-based Deep 3D Self Super-Resolution for fMRI

要約

機能的磁気共鳴イメージング（fMRI）は認知プロセスに関する貴重な洞察を提供しますが、その固有の空間的制限は、脳のきめ細かい機能アーキテクチャの詳細な分析に課題をもたらします。
より具体的には、MRIスキャナーとシーケンスの仕様により、時間分解能、空間解像度、信号対雑音比、スキャン時間の間にトレードオフが課されます。
ディープラーニング（DL）スーパー解像度（SR）メソッドは、fMRI解像度を強化するための有望なソリューションとして浮上しており、通常、スキャン時間が低いと獲得された低解像度（LR）画像から高解像度（HR）画像を生成します。
ただし、ほとんどの既存のSRアプローチは、トレーニンググラウンドトゥルース（GT）HRデータを必要とする監視されたDL技術に依存しています。
この論文では、DLネットワークを分析的アプローチと完全なバリエーション（TV）の正則化と組み合わせた新しい自己監視DL SR SRモデルを紹介します。
私たちの方法は、外部GT画像の必要性を排除し、監視されたDL技術と比較して競争力のあるパフォーマンスを達成し、機能マップを保存します。

要約(オリジナル)

While functional Magnetic Resonance Imaging (fMRI) offers valuable insights into cognitive processes, its inherent spatial limitations pose challenges for detailed analysis of the fine-grained functional architecture of the brain. More specifically, MRI scanner and sequence specifications impose a trade-off between temporal resolution, spatial resolution, signal-to-noise ratio, and scan time. Deep Learning (DL) Super-Resolution (SR) methods have emerged as a promising solution to enhance fMRI resolution, generating high-resolution (HR) images from low-resolution (LR) images typically acquired with lower scanning times. However, most existing SR approaches depend on supervised DL techniques, which require training ground truth (GT) HR data, which is often difficult to acquire and simultaneously sets a bound for how far SR can go. In this paper, we introduce a novel self-supervised DL SR model that combines a DL network with an analytical approach and Total Variation (TV) regularization. Our method eliminates the need for external GT images, achieving competitive performance compared to supervised DL techniques and preserving the functional maps.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google