Resolution Enhancement of Prostate 3D MRI and Ultrasound Using Implicit Neural Representations
Notice bibliographique
Résumé
Prostate Magnetic Resonance Imaging (MRI) and ultrasound (US) imaging play a crucial role in the diagnosis and management of prostate diseases. However, spatial and axial resolution limitations can hinder the accurate detection of lesions, affecting clinical decision-making. Traditional deep learning-based super-resolution (SR) methods, such as Convolutional Neural Networks (CNNs) and Generative Adversarial Networks (GANs), have demonstrated success in enhancing medical image quality; however, they often suffer from high computational costs and rigid grid-based representations. In this work, we explore the application of Implicit Neural Representations (INRs), specifically Sinusoidal Representation Networks (SIREN), for super-resolution reconstruction of prostate MRI and US images. While INRs leverage continuous function representations to enhance spatial and axial resolution and preserve fine anatomical structures, our work focuses on the novel application of SIREN to this specific medical imaging task. To further improve reconstruction quality, we propose a hybrid loss function combining Mean Square Error (MSE) and Structural Similarity Index Measure (SSIM). Experimental results demonstrate that our approach effectively restores high-resolution details, improving lesion visibility and aiding radiologists in more accurate diagnosis.Clinical Relevance- Limitations in the spatial and axial resolution of prostate MRI and US can hinder accurate lesion detection, leading to diagnostic uncertainty and the need for additional imaging studies or biopsies. This increases healthcare costs and patient burden. The proposed super-resolution approach using Implicit Neural Representations (INRs) enhances image quality while preserving fine anatomical structures, enabling radiologists to extract more information from existing scans. By improving lesion visibility and diagnostic accuracy, this method has the potential to reduce the need for additional procedures, ultimately leading to cost savings and improved patient outcomes.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».