Application of Sparse-Coding Super-Resolution to 16-Bit DICOM Images for Improving the Image Resolution in MRI
Notice bibliographique
Résumé
Purpose: To improve the image resolution of magnetic resonance imaging (MRI), conventional interpolation methods are commonly used to magnify images via various image processing approaches; however, these methods tend to produce artifacts. While super-resolution (SR) schemes have been introduced as an alternative approach to apply medical imaging, previous studies applied SR only to medical images in 8-bit image format. This study aimed to evaluate the effectiveness of sparse-coding super-resolution (ScSR) for improving the image quality of reconstructed high-resolution MR images in 16-bit digital imaging and communications in medicine (DICOM) image format. Materials and Methods: Fifty-nine T1-weighted images (T1), 84 T2-weighted images (T2), 85 fluid attenuated inversion recovery (FLAIR) images, and 30 diffusion-weighted images (DWI) were sampled from The Repository of Molecular Brain Neoplasia Data as testing datasets, and 1307 non-medical images were sampled from the McGill Calibrated Color Image Database as a training dataset. We first trained the ScSR to prepare dictionaries, in which the relationship between low- and high-resolution images was learned. Using these dictionaries, a high-resolution image was reconstructed from a 16-bit DICOM low-resolution image downscaled from the original test image. We compared the image quality of ScSR and 4 interpolation methods (nearest neighbor, bilinear, bicubic, and Lanczos interpolations). For quantitative evaluation, we measured the peak signal-to-noise ratio (PSNR) and structural similarity (SSIM). Results: The PSNRs and SSIMs for the ScSR were significantly higher than those of the interpolation methods for all 4 MRI sequences (PSNR: p p < 0.05, respectively). Conclusion: ScSR provides significantly higher image quality in terms of enhancing the resolution of MR images (T1, T2, FLAIR, and DWI) in 16-bit DICOM format compared to the interpolation methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».