Task-based evaluation of deep image super-resolution in medical imaging

计算机科学 人工智能 超分辨率 计算机视觉 图像(数学) 分辨率(逻辑) 深度学习 图像分辨率 高分辨率 医学影像学 卷积神经网络 图像质量 低分辨率
作者
Varun A. Kelkar,Xiaohui Zhang,Jason L. Granstedt,Hua Li,Mark A. Anastasio
标识
DOI:10.1117/12.2582011
摘要

In medical imaging, it is sometimes desirable to acquire high resolution images that reveal anatomical and physiological information to support clinical practice such as diagnosis and image-guided therapies. However, for certain imaging modalities (i.e., magnetic resonance imaging (MRI)), acquiring high resolution images can be a very time-consuming and resource-intensive process. One popular solution recently developed is to create a high resolution version of the acquired low-resolution image by use of deep image super-resolution (DL-SR) methods. It has been demonstrated in literature that deep super-resolution networks can improve the image quality measured by traditional physical metrics such as mean square error (MSE), structural similarity index metric (SSIM) and peak signal-to-noise ratio (PSNR). However, it is not clear how well these metrics quantify the diagnostic value of the generated SR images. Here, a task-based super-resolution (SR) image quality assessment is conducted to quantitatively evaluate the efficiency and performance of DL-SR methods. A Rayleigh task is designed to investigate the impact of signal length and super-resolution network complexity on s binary detection performance. Numerical observers (NOs) including the regularized Hotelling Observer (RHO), the anthropomorphic Gabor channelized observers (Gabor CHO) and the ResNet-approximated ideal observer (ResNet-IO) are implemented to assess the Rayleigh task performance. For the datasets considered in this study, little to no improvement in task performance of the considered NOs due to the considered DL-SR SR networks, despite substantial improvement in traditional IQ metrics.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
yuehan完成签到 ,获得积分10
6秒前
温如军完成签到 ,获得积分10
10秒前
张西西完成签到 ,获得积分10
17秒前
阿居完成签到 ,获得积分10
17秒前
Brightan完成签到,获得积分10
19秒前
Hello应助lijinyu采纳,获得10
29秒前
水星完成签到 ,获得积分10
31秒前
神勇的天问完成签到 ,获得积分10
32秒前
笑点低亿先完成签到,获得积分10
38秒前
LiangRen完成签到 ,获得积分10
42秒前
49秒前
lijinyu发布了新的文献求助10
54秒前
宸浅完成签到 ,获得积分10
55秒前
zhang完成签到 ,获得积分10
1分钟前
乒坛巨人完成签到 ,获得积分10
1分钟前
xxxxam完成签到,获得积分10
1分钟前
genomed完成签到,获得积分0
1分钟前
arsenal完成签到 ,获得积分10
1分钟前
hailiangzheng完成签到,获得积分10
1分钟前
allia完成签到 ,获得积分10
1分钟前
mito完成签到,获得积分10
1分钟前
xiazhq完成签到,获得积分10
1分钟前
suki完成签到 ,获得积分10
1分钟前
顾矜应助科研通管家采纳,获得10
1分钟前
2分钟前
hhh2018687完成签到,获得积分10
2分钟前
勤恳的书文完成签到 ,获得积分10
2分钟前
lilili完成签到,获得积分10
2分钟前
dery发布了新的文献求助10
2分钟前
诚心的水杯完成签到 ,获得积分10
2分钟前
圆圆的波仔完成签到 ,获得积分10
2分钟前
Wd发布了新的文献求助10
2分钟前
落后的皮卡丘完成签到,获得积分10
2分钟前
dery完成签到,获得积分10
2分钟前
橙子完成签到,获得积分10
2分钟前
2分钟前
老火发布了新的文献求助10
2分钟前
可可可11完成签到 ,获得积分10
2分钟前
zx完成签到 ,获得积分10
2分钟前
韧迹完成签到 ,获得积分10
2分钟前
高分求助中
The Oxford Handbook of Social Cognition (Second Edition, 2024) 1050
Kinetics of the Esterification Between 2-[(4-hydroxybutoxy)carbonyl] Benzoic Acid with 1,4-Butanediol: Tetrabutyl Orthotitanate as Catalyst 1000
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Handbook of Qualitative Cross-Cultural Research Methods 600
Chen Hansheng: China’s Last Romantic Revolutionary 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3139656
求助须知:如何正确求助?哪些是违规求助? 2790535
关于积分的说明 7795568
捐赠科研通 2446980
什么是DOI,文献DOI怎么找? 1301543
科研通“疑难数据库(出版商)”最低求助积分说明 626264
版权声明 601176