REHRSeg is a novel framework that achieves high-resolution 3D MRI segmentation using only low-resolution images and annotations by leveraging self-supervised super-resolution for pseudo supervision and knowledge distillation.
REHRSegは、高解像度(HR)の注釈付きデータを使用せずに学習できる、リソース効率の高い3D HRセグメンテーションフレームワークであり、自己教師あり超解像技術を活用してセグメンテーションモデルの性能を向上させる。
REHRSeg 是一種新穎的 3D MRI 分割框架,它僅使用低解析度 (LR) 影像和標註進行訓練,即可實現高效能的高解析度 (HR) 分割,解決了傳統方法依賴資源密集型 HR 數據的局限性。
This research introduces TotalVibeSegmentator, a novel deep learning model designed for the detailed segmentation of 71 anatomical structures in full-torso VIBE MRI images, specifically targeting large epidemiological datasets like the NAKO and UK Biobank.
本稿では、NAKOおよびUKバイオバンクの大規模疫学データセット、特にVIBE画像における71の異なるセグメンテーションクラスを持つ、ディープラーニングベースの胴体セグメンテーションモデル「TotalVibeSegmentator」を紹介する。