論文の概要: Deep Network for Scatterer Distribution Estimation for Ultrasound Image
Simulation
- arxiv url: http://arxiv.org/abs/2006.10166v1
- Date: Wed, 17 Jun 2020 21:25:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 21:20:24.509330
- Title: Deep Network for Scatterer Distribution Estimation for Ultrasound Image
Simulation
- Title(参考訳): 超音波画像シミュレーションのための散乱分布推定のためのディープネットワーク
- Authors: Lin Zhang, Valery Vishnevskiy, Orcun Goksel
- Abstract要約: 観測された超音波データから確率的散乱器推定のための畳み込みニューラルネットワーク手法を実証する。
いくつかの既存手法と比較して,本手法で推定した散乱器表現から合成した画像が観測値と密接に一致していることが,数値シミュレーションおよびin-vivo画像で実証された。
- 参考スコア(独自算出の注目度): 8.13909718726358
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Simulation-based ultrasound training can be an essential educational tool.
Realistic ultrasound image appearance with typical speckle texture can be
modeled as convolution of a point spread function with point scatterers
representing tissue microstructure. Such scatterer distribution, however, is in
general not known and its estimation for a given tissue type is fundamentally
an ill-posed inverse problem. In this paper, we demonstrate a convolutional
neural network approach for probabilistic scatterer estimation from observed
ultrasound data. We herein propose to impose a known statistical distribution
on scatterers and learn the mapping between ultrasound image and distribution
parameter map by training a convolutional neural network on synthetic images.
In comparison with several existing approaches, we demonstrate in numerical
simulations and with in-vivo images that the synthesized images from scatterer
representations estimated with our approach closely match the observations with
varying acquisition parameters such as compression and rotation of the imaged
domain.
- Abstract(参考訳): シミュレーションに基づく超音波トレーニングは必須の教育ツールである。
典型的なスペックルテクスチャを持つ現実的な超音波画像の出現は、組織微細構造を表す点散乱関数の畳み込みとしてモデル化することができる。
しかし、そのような散乱体分布は一般には知られておらず、その組織型の推定は基本的に不適切な逆問題である。
本稿では,超音波観測データから確率的散乱体推定のための畳み込みニューラルネットワーク手法を提案する。
本稿では,合成画像に畳み込みニューラルネットワークを訓練することにより,散乱器に既知の統計分布を課し,超音波画像と分布パラメータマップのマッピングを学ぶことを提案する。
いくつかの既存手法と比較して,本手法で推定した散乱器表現からの合成画像が,画像領域の圧縮や回転といった様々な取得パラメータと密接に一致していることを示す。
関連論文リスト
- A novel image space formalism of Fourier domain interpolation neural
networks for noise propagation analysis [0.0]
我々は、MRI再構成におけるフーリエ領域のための畳み込みニューラルネットワーク(CNN)の画像空間形式を開発する。
画像領域で実行される推論は、k空間における推論と準同一である。
ノイズレジリエンスは、古典的並列画像の場合のように、よく特徴付けられる。
論文 参考訳(メタデータ) (2024-02-27T11:01:58Z) - Analyzing Neural Network-Based Generative Diffusion Models through
Convex Optimization [54.01594785269913]
拡散モデルは画像、ビデオ、オーディオ生成に広く使われている。
スコアベース拡散モデルでは,入力データ分布のスコア関数を推定する必要がある。
この研究は、ニューラルネットワークベースの拡散モデルが漸近的でない環境で何を学ぶかを理解するのに寄与する。
論文 参考訳(メタデータ) (2024-02-03T00:20:25Z) - Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion
Generative Models [75.52575380824051]
圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。
拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。
本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
論文 参考訳(メタデータ) (2023-06-05T22:09:06Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳(メタデータ) (2023-03-17T18:00:27Z) - SinDiffusion: Learning a Diffusion Model from a Single Natural Image [159.4285444680301]
SinDiffusionは1つの自然な画像からパッチの内部分布を捉えるためにデノナイズ拡散モデルを利用する。
SinDiffusionは、2つのコア設計に基づいている。まず、SinDiffusionは、段階的にスケールが成長する複数のモデルではなく、1つのスケールで1つのモデルで訓練されている。
第2に,拡散ネットワークのパッチレベルの受容領域は,画像のパッチ統計を捉える上で重要かつ効果的であることを示す。
論文 参考訳(メタデータ) (2022-11-22T18:00:03Z) - Unsupervised Medical Image Translation with Adversarial Diffusion Models [0.2770822269241974]
ソース・トゥ・ターゲット・モダリティ変換による画像の欠落の計算は、医用画像プロトコルの多様性を向上させることができる。
本稿では, 医用画像翻訳の性能向上のための逆拡散モデルであるSynDiffを提案する。
論文 参考訳(メタデータ) (2022-07-17T15:53:24Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳(メタデータ) (2021-10-27T18:54:25Z) - Conditional Variational Autoencoder for Learned Image Reconstruction [5.487951901731039]
本研究では,未知画像の後部分布を問合せ観測で近似する新しいフレームワークを開発する。
暗黙のノイズモデルと先行処理を処理し、データ生成プロセス(フォワード演算子)を組み込み、学習された再構成特性は異なるデータセット間で転送可能である。
論文 参考訳(メタデータ) (2021-10-22T10:02:48Z) - Learning Ultrasound Rendering from Cross-Sectional Model Slices for
Simulated Training [13.640630434743837]
計算シミュレーションは、バーチャルリアリティーにおけるそのようなスキルの訓練を容易にする。
インタラクティブな時間に任意のレンダリングやシミュレーションプロセスをバイパスするためにここに提案します。
我々は、専用のジェネレータアーキテクチャと入力供給方式を備えた生成的対向フレームワークを使用する。
論文 参考訳(メタデータ) (2021-01-20T21:58:19Z) - Ultrasound Scatterer Density Classification Using Convolutional Neural
Networks by Exploiting Patch Statistics [3.93098730337656]
定量的超音波(QUS)は散乱体密度などの組織特性に関する重要な情報を明らかにすることができる。
分解能セルあたりの散乱体密度は、フル開発スペックル(FDS)または低密度散乱体(LDS)と見なされる
本稿では,QUSのための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案し,シミュレーションデータを用いて学習する。
論文 参考訳(メタデータ) (2020-12-04T17:36:57Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。