Análisis de Super-Resolución por RM a través de MRISR: Aprendizaje Profundo para Imágenes de Bajo Campo
Autores: Li, Yunhe; Yang, Mei; Bian, Tao; Wu, Haitao
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Análisis de Super-Resolución por RM a través de MRISR: Aprendizaje Profundo para Imágenes de Bajo Campo
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Mri
Superresolución
Análisis
Modelo
Redes adversariales
Alta resolución
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Este artículo presenta un nuevo modelo de análisis de superresolución de MRI, MRISR. A través de la utilización de redes generativas adversariales para la estimación de núcleos de degradación y la inyección de ruido, hemos construido un conjunto de datos integral de imágenes de MRI de alta y baja resolución emparejadas de alta calidad. El modelo MRISR integra sin problemas las tecnologías VMamba y Transformer, demostrando un rendimiento superior en varias métricas de evaluación de calidad de imagen sin referencia en comparación con metodologías existentes. Reconstruye eficazmente imágenes de MRI de alta resolución mientras preserva meticulosamente los intrincados detalles de textura, logrando una mejora cuádruple en la resolución. Este esfuerzo de investigación representa un avance significativo en el campo del análisis de superresolución de MRI, contribuyendo con una solución rentable para una tecnología de MRI rápida que tiene un inmenso potencial para su adopción generalizada en aplicaciones de diagnóstico clínico.
Descripción
Este artículo presenta un nuevo modelo de análisis de superresolución de MRI, MRISR. A través de la utilización de redes generativas adversariales para la estimación de núcleos de degradación y la inyección de ruido, hemos construido un conjunto de datos integral de imágenes de MRI de alta y baja resolución emparejadas de alta calidad. El modelo MRISR integra sin problemas las tecnologías VMamba y Transformer, demostrando un rendimiento superior en varias métricas de evaluación de calidad de imagen sin referencia en comparación con metodologías existentes. Reconstruye eficazmente imágenes de MRI de alta resolución mientras preserva meticulosamente los intrincados detalles de textura, logrando una mejora cuádruple en la resolución. Este esfuerzo de investigación representa un avance significativo en el campo del análisis de superresolución de MRI, contribuyendo con una solución rentable para una tecnología de MRI rápida que tiene un inmenso potencial para su adopción generalizada en aplicaciones de diagnóstico clínico.