Core Concepts
의료 영상 데이터의 높은 in-plane 해상도와 낮은 through-plane 해상도 특성을 활용하여 슬라이스 단위 보간을 통해 의료 영상 슬라이스를 효과적으로 합성할 수 있다.
Abstract
이 논문은 의료 영상 데이터의 특성을 고려하여 효과적인 의료 영상 슬라이스 합성 방법을 제안한다. 의료 영상 데이터는 일반적으로 높은 in-plane 해상도와 낮은 through-plane 해상도를 가지고 있다. 이러한 특성을 활용하여, 저자들은 Inter-Intra-slice Interpolation Network (I3Net)을 제안한다.
I3Net은 두 가지 주요 구성 요소를 가지고 있다:
Inter-slice 브랜치: 이 브랜치는 PixelShuffle 연산을 사용하여 낮은 through-plane 해상도를 보완하고 연속성 있는 특징 학습을 가능하게 한다.
Intra-slice 브랜치: 이 브랜치는 주파수 영역에서 특징 학습을 수행하여 모든 주파수 대역에 대한 균등한 학습 기회를 제공하고 구조적/세부적 정보를 향상시킨다.
또한 저자들은 세 가지 뷰(axial, coronal, sagittal)의 정보를 실시간으로 상호작용시키는 Cross-view 블록을 제안한다. 이를 통해 다양한 뷰의 보완적인 정보를 활용할 수 있다.
실험 결과, I3Net은 기존 방법들에 비해 우수한 성능을 보였으며, MSD 데이터셋에서 ×2 배율에서 최소 1.14dB 이상의 PSNR 향상을 달성했다.
Stats
의료 영상 데이터는 일반적으로 높은 in-plane 해상도와 낮은 through-plane 해상도를 가지고 있다.
슬라이스 단위 보간 방식이 다른 뷰에서의 super-resolution 방식보다 더 나은 성능을 보인다.
I3Net은 MSD 데이터셋에서 ×2 배율에서 최소 1.14dB 이상의 PSNR 향상을 달성했다.
Quotes
"의료 영상 데이터는 일반적으로 높은 in-plane 해상도와 낮은 through-plane 해상도를 가지고 있다."
"슬라이스 단위 보간 방식이 다른 뷰에서의 super-resolution 방식보다 더 나은 성능을 보인다."
"I3Net은 MSD 데이터셋에서 ×2 배율에서 최소 1.14dB 이상의 PSNR 향상을 달성했다."