Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
  Super-Resolution for Ultra High-Field MR Images

Wang, Q., Steiglechner, J., Lindig, T., Bender, B., Scheffler, K., & Lohmann, G. (2022). Super-Resolution for Ultra High-Field MR Images. In Medical Imaging with Deep Learning (MIDL 2022).

Item is

Basisdaten

einblenden: ausblenden:
Genre: Konferenzbeitrag

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://openreview.net/pdf?id=EFiFV2MSNEB (beliebiger Volltext)
Beschreibung:
-
OA-Status:
Keine Angabe

Urheber

einblenden:
ausblenden:
 Urheber:
Wang, Q1, Autor                 
Steiglechner, J1, Autor           
Lindig, T1, Autor           
Bender, B, Autor           
Scheffler, K1, Autor                 
Lohmann, G1, Autor                 
Affiliations:
1Department High-Field Magnetic Resonance, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497796              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: Segmenting ultra high-field MR images is an important first step in many applications. Segmentation methods based on machine learning have been shown to be valuable tools for this purpose. However, for ultra high-field MR images ( 7 Tesla), a lack of training data is a problem. Therefore, in this work, we propose to use super-resolution for augmenting the training set. Specifically, we describe an efficient super-resolution model based on Generative Adversarial Network(GAN). It produces synthetic images that simulate MR data at ultra high isotropic resolutions of mm. We present the first results that show an improvement in segmentation accuracy of imaging data acquired at a 9.4 Tesla MRI scanner.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2022-07
 Publikationsstatus: Online veröffentlicht
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: -
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: Medical Imaging with Deep Learning (MIDL 2022)
Veranstaltungsort: Zürich, Swtzerland
Start-/Enddatum: 2022-07-06 - 2022-07-08

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: Medical Imaging with Deep Learning (MIDL 2022)
Genre der Quelle: Konferenzband
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: 3 Band / Heft: - Artikelnummer: - Start- / Endseite: - Identifikator: -