論文の概要: Pushing the Limit of Unsupervised Learning for Ultrasound Image Artifact Removal

• arxiv url: http://arxiv.org/abs/2006.14773v1
• Date: Fri, 26 Jun 2020 03:21:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-16 20:47:07.394708
• Title: Pushing the Limit of Unsupervised Learning for Ultrasound Image Artifact Removal
• Title（参考訳）: 超音波画像アーティファクト除去のための教師なし学習の限界
• Authors: Shujaat Khan, Jaeyoung Huh, Jong Chul Ye
• Abstract要約: ディープ・ラーニング・アプローチは超音波イメージングに成功している。 本稿では, 最適輸送駆動サイクルGAN (OT-cycleGAN) を用いた教師なし学習の最近の理論に着想を得て, 教師なしディープラーニングの適用性を検討した。
• 参考スコア（独自算出の注目度）: 41.10604715789614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound (US) imaging is a fast and non-invasive imaging modality which is widely used for real-time clinical imaging applications without concerning about radiation hazard. Unfortunately, it often suffers from poor visual quality from various origins, such as speckle noises, blurring, multi-line acquisition (MLA), limited RF channels, small number of view angles for the case of plane wave imaging, etc. Classical methods to deal with these problems include image-domain signal processing approaches using various adaptive filtering and model-based approaches. Recently, deep learning approaches have been successfully used for ultrasound imaging field. However, one of the limitations of these approaches is that paired high quality images for supervised training are difficult to obtain in many practical applications. In this paper, inspired by the recent theory of unsupervised learning using optimal transport driven cycleGAN (OT-cycleGAN), we investigate applicability of unsupervised deep learning for US artifact removal problems without matched reference data. Experimental results for various tasks such as deconvolution, speckle removal, limited data artifact removal, etc. confirmed that our unsupervised learning method provides comparable results to supervised learning for many practical applications.
• Abstract（参考訳）: 超音波(us)イメージングは高速で非侵襲的なイメージングモードであり、放射線ハザードに関わらず、リアルタイムな画像診断に広く用いられている。 残念ながら、スペックルノイズ、ぼかし、マルチライン取得(MLA)、限られたRFチャンネル、平面波画像の場合の視角など、様々な起源の視覚的品質に悩まされることが多い。 これらの問題に対処する古典的な方法は、様々な適応フィルタリングとモデルに基づくアプローチを用いた画像ドメイン信号処理アプローチである。 近年,超音波イメージング分野での深層学習手法が成功している。 しかし,これらの手法の限界の一つとして,教師付きトレーニングのための高品質な画像のペア化が困難である点が挙げられる。 本稿では, 最適輸送駆動サイクルGAN (OT-cycleGAN) を用いた非教師付き学習の最近の理論に着想を得て, 参照データにマッチしない米国人工物除去問題に対する教師なしディープラーニングの適用性を検討した。 デコンボリューション、スペックル除去、限られたデータアーティファクト除去など様々なタスクに関する実験結果から、教師なし学習法は、多くの実用的なアプリケーションで教師付き学習に匹敵する結果を提供していることを確認した。

関連論文リスト

• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Domain-Aware Few-Shot Learning for Optical Coherence Tomography Noise Reduction [0.0]
  光コヒーレンストモグラフィ(OCT)ノイズ低減のための数発の教師付き学習フレームワークを提案する。 このフレームワークは、トレーニング速度を劇的に向上させ、単一の画像または画像の一部だけを必要とし、対応するスペックルが地面の真実を抑圧する。 この結果から, 試料の複雑さ, 一般化, 時間効率を向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-06-13T19:46:40Z)
• Speckle2Speckle: Unsupervised Learning of Ultrasound Speckle Filtering Without Clean Data [48.81200490360736]
  超音波画像では、組織の均質領域の出現はスペックルの対象となる。 従来のフィルタリング技術の多くは手作りであり、しばしば現在のハードウェア、撮像方式、アプリケーションに微調整する必要がある。 本稿では,これらの制約を伴わない深層学習に基づくスペックル除去手法を提案する。
  論文  参考訳（メタデータ） (2022-07-31T09:17:32Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• Self-supervised Pseudo Multi-class Pre-training for Unsupervised Anomaly Detection and Segmentation in Medical Images [31.676609117780114]
  教師なし異常検出(UAD)法は、正常な(または健康な)画像のみを用いて訓練されるが、テスト中は正常な(または正常な)画像と異常な画像を分類することができる。 コントラスト学習(PMSACL)によるPseudo Multi-class Strong Augmentation(Pseudo Multi-class Strong Augmentation)という,MIA UADアプリケーションのための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2021-09-03T04:25:57Z)
• Detecting Outliers with Poisson Image Interpolation [9.928058261360578]
  本稿では,画像再構成法と画像埋め込み法に代えて,病理異常検出手法を提案する。 アプローチは,脳MRIおよび腹部CTデータに優れた成績を示した異種パッチ病理(FPI)戦略に端を発する。 我々は,より優れたパッチ戦略であるPoisson Image (PII) を用いることを提案する。
  論文  参考訳（メタデータ） (2021-07-06T13:53:17Z)
• Ultrasound Image Classification using ACGAN with Small Training Dataset [0.0]
  ディープラーニングモデルのトレーニングには大きなラベル付きデータセットが必要であるが、超音波画像では利用できないことが多い。 我々は、大規模データ拡張と転送学習の利点を組み合わせた、ジェネレーティブ・アドバイサル・ネットワーク(ACGAN)を利用する。 乳房超音波画像のデータセットを用いて,提案手法の有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2021-01-31T11:11:24Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Improving Blind Spot Denoising for Microscopy [73.94017852757413]
  自己監督型認知の質を向上させる新しい方法を提案する。 我々は、クリーンな画像がポイントスプレッド関数(PSF)との畳み込みの結果であり、ニューラルネットワークの最後にこの操作を明示的に含んでいると仮定する。
  論文  参考訳（メタデータ） (2020-08-19T13:06:24Z)

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。