Joint Image and Label Self-Super-Resolution.
Joint Image and Label Self-Super-Resolution.
复制标题
关节图像和标签自超分辨率。
DOI：
10.1007/978-3-030-87592-3_2
复制
发表时间：
2021-09
期刊：
影响因子：
--
通讯作者：
Carass A
中科院分区：
文献类型：
--
作者：
Remedios SW;Han S;Dewey BE;Pham DL;Prince JL;Carass A
我们提出了一种方法，联合超分辨率各向异性图像体积沿着与其相应的体素标签没有外部训练数据。我们的方法受到内部训练的超分辨率或自超分辨率（SSR）技术的启发，这些技术针对各向异性的低分辨率（LR）磁共振（MR）图像。虽然从这种方法得到的图像是非常有用的，其相应的LR标签-来自自动算法或人类评分器-不再对应于超分辨体积。为了解决这个问题，我们开发了一个SSR深度网络，该网络将各向异性LR MR图像及其相应的LR标签作为输入，并生成超分辨率MR图像及其超分辨率标签作为输出。我们使用50个T1加权脑MR图像（4×下采样，带有10个自动生成的标签）评估了我们的方法。与其他方法相比，我们的方法在MR图像上的所有标签和竞争指标上具有上级Dice。我们的方法是第一次报告的方法SSR成对的各向异性图像和标签卷。
We propose a method to jointly super-resolve an anisotropic image volume along with its corresponding voxel labels without external training data. Our method is inspired by internally trained superresolution, or self-super-resolution (SSR) techniques that target anisotropic, low-resolution (LR) magnetic resonance (MR) images. While resulting images from such methods are quite useful, their corresponding LR labels—derived from either automatic algorithms or human raters—are no longer in correspondence with the super-resolved volume. To address this, we develop an SSR deep network that takes both an anisotropic LR MR image and its corresponding LR labels as input and produces both a super-resolved MR image and its super-resolved labels as output. We evaluated our method with 50 T1-weighted brain MR images 4× down-sampled with 10 automatically generated labels. In comparison to other methods, our method had superior Dice across all labels and competitive metrics on the MR image. Our approach is the first reported method for SSR of paired anisotropic image and label volumes.
登录
查看更多内容
影响因子：
3.3
作者：
Chaudhari AS;Fang Z;Kogan F;Wood J;Stevens KJ;Gibbons EK;Lee JH;Gold GE;Hargreaves BA
通讯作者：
Hargreaves BA
DOI：
10.1007/978-3-319-46726-9_64
发表时间：
2016-10
期刊：
Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
影响因子：
--
作者：
Jog A;Carass A;Prince JL
通讯作者：
Prince JL
影响因子：
19.7
作者：
Masutani, Evan M.;Bahrami, Naeim;Hsiao, Albert
通讯作者：
Hsiao, Albert
影响因子：
5.7
作者：
Huo, Yuankai;Xu, Zhoubing;Landman, Bennett A.
通讯作者：
Landman, Bennett A.
影响因子：
10.6
作者：
Delbracio, Mauricio;Sapiro, Guillermo
通讯作者：
Sapiro, Guillermo