論文の概要: 3D B-mode ultrasound speckle reduction using deep learning for 3D registration applications

• arxiv url: http://arxiv.org/abs/2008.01147v1
• Date: Mon, 3 Aug 2020 19:29:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 07:07:02.658938
• Title: 3D B-mode ultrasound speckle reduction using deep learning for 3D registration applications
• Title（参考訳）: ディープラーニングを用いた3次元bモード超音波スペックル低減法
• Authors: Hongliang Li, Tal Mezheritsky, Liset Vazquez Romaguera, Samuel Kadoury
• Abstract要約: 筆者らのディープラーニングフレームワークは,従来のフィルタリング手法と比較してスペックル低減において,同様の抑制と平均保存指数(1.066)が得られることを示す。 深層学習モデルを用いたスペックル削減は, 3次元登録性能の向上に寄与することがわかった。
• 参考スコア（独自算出の注目度）: 8.797635433767423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound (US) speckles are granular patterns which can impede image post-processing tasks, such as image segmentation and registration. Conventional filtering approaches are commonly used to remove US speckles, while their main drawback is long run-time in a 3D scenario. Although a few studies were conducted to remove 2D US speckles using deep learning, to our knowledge, there is no study to perform speckle reduction of 3D B-mode US using deep learning. In this study, we propose a 3D dense U-Net model to process 3D US B-mode data from a clinical US system. The model's results were applied to 3D registration. We show that our deep learning framework can obtain similar suppression and mean preservation index (1.066) on speckle reduction when compared to conventional filtering approaches (0.978), while reducing the runtime by two orders of magnitude. Moreover, it is found that the speckle reduction using our deep learning model contributes to improving the 3D registration performance. The mean square error of 3D registration on 3D data using 3D U-Net speckle reduction is reduced by half compared to that with speckles.
• Abstract（参考訳）: 超音波スペックル(us speckle)は、画像のセグメンテーションや登録などの後処理タスクを阻害する粒状パターンである。 従来のフィルタリング手法はアメリカのスペックルを除去するのによく使われ、主な欠点は3Dシナリオでの長時間実行である。 深層学習を用いた2次元usスペックルの除去に関する研究はいくつか行われたが,深層学習を用いた3次元bモードusのスペックル低減に関する研究は行われていない。 本研究では,us臨床システムから3次元bモードデータを処理するための3次元高密度u-netモデルを提案する。 モデルの結果は3D登録に適用された。 本研究では,従来のフィルタリング手法 (0.978) と比較した場合, スペックル削減の程度を2桁に抑えつつ, 平均保存指数 (1.066) と同等に抑制できることを示す。 さらに, 深層学習モデルを用いたスペックル削減は, 3次元登録性能の向上に寄与することが判明した。 3d u-netスペックル低減を用いた3dデータに対する3d登録の平均二乗誤差は、スペックルと比較して半減する。

関連論文リスト

• DIRECT-3D: Learning Direct Text-to-3D Generation on Massive Noisy 3D Data [50.164670363633704]
  テキストプロンプトから高品質な3Dアセットを作成するための拡散型3D生成モデルであるDIRECT-3Dを提案する。 我々のモデルは、広範に騒々しく不整合な3D資産で直接訓練されている。 単一クラス生成とテキスト・ツー・3D生成の両方で最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-06-06T17:58:15Z)
• UniPAD: A Universal Pre-training Paradigm for Autonomous Driving [74.34701012543968]
  3次元微分レンダリングを応用した新しい自己教師型学習パラダイムUniPADを提案する。 UniPADは暗黙的に3D空間を符号化し、連続した3D形状の構造の再構築を容易にする。 本手法はライダーカメラ,カメラカメラ,ライダーカメラベースラインを9.1,7.7,6.9 NDSで大幅に改善する。
  論文  参考訳（メタデータ） (2023-10-12T14:39:58Z)
• Data Efficient 3D Learner via Knowledge Transferred from 2D Model [30.077342050473515]
  我々は、RGB-D画像を介して強力な2Dモデルから知識を伝達することで、3Dタスクのデータ不足に対処する。 擬似ラベルを用いたRGB-D画像の強化には,2次元画像の強いセマンティック・セマンティック・セマンティック・セマンティック・セマンティクス・モデルを用いる。 提案手法は,3次元ラベルの効率向上に適した既存の最先端技術よりも優れている。
  論文  参考訳（メタデータ） (2022-03-16T09:14:44Z)
• Fast mesh denoising with data driven normal filtering using deep variational autoencoders [6.25118865553438]
  本研究では,高密度3次元走査型産業モデルに対する高速で頑健な復調法を提案する。 提案手法は条件付き変分オートエンコーダを用いて顔正規化を効果的にフィルタする。 1e4面以上の3Dモデルでは、提示されたパイプラインは等価な再構成誤差を持つメソッドの2倍高速である。
  論文  参考訳（メタデータ） (2021-11-24T20:25:15Z)
• 3-Dimensional Deep Learning with Spatial Erasing for Unsupervised Anomaly Segmentation in Brain MRI [55.97060983868787]
  我々は,MRIボリュームと空間消去を組み合わせた空間文脈の増大が,教師なしの異常セグメンテーション性能の向上に繋がるかどうかを検討する。 本稿では,2次元変分オートエンコーダ(VAE)と3次元の相違点を比較し,3次元入力消去を提案し,データセットサイズが性能に与える影響を体系的に検討する。 入力消去による最高の3D VAEは、平均DICEスコアが31.40%となり、2D VAEは25.76%となった。
  論文  参考訳（メタデータ） (2021-09-14T09:17:27Z)
• 3D-to-2D Distillation for Indoor Scene Parsing [78.36781565047656]
  大規模3次元データリポジトリから抽出した3次元特徴を有効活用し,RGB画像から抽出した2次元特徴を向上する手法を提案する。 まず,事前学習した3Dネットワークから3D知識を抽出して2Dネットワークを監督し,トレーニング中の2D特徴からシミュレーションされた3D特徴を学習する。 次に,2次元の正規化方式を設計し,2次元特徴と3次元特徴のキャリブレーションを行った。 第3に,非ペアの3dデータを用いたトレーニングのフレームワークを拡張するために,意味を意識した対向的トレーニングモデルを設計した。
  論文  参考訳（メタデータ） (2021-04-06T02:22:24Z)
• Synthetic Training for Monocular Human Mesh Recovery [100.38109761268639]
  本稿では,RGB画像と大規模に異なる複数の身体部位の3次元メッシュを推定することを目的とする。 主な課題は、2D画像のすべての身体部分の3Dアノテーションを完備するトレーニングデータがないことである。 本稿では,D2S(Deep-to-scale)投影法を提案する。
  論文  参考訳（メタデータ） (2020-10-27T03:31:35Z)
• Sensorless Freehand 3D Ultrasound Reconstruction via Deep Contextual Learning [13.844630500061378]
  フリーハンドUSスキャンからの3次元ボリューム再構成の現在の方法は、フレーム毎に空間的位置を提供するために外部追跡装置を必要とする。 本稿では,DCL-Net(Deep contextual learning network)を提案する。このネットワークは,米国フレーム間の画像特徴関係を効率的に活用し,トラッキング装置を使わずに3DUSボリュームを再構築する。
  論文  参考訳（メタデータ） (2020-06-13T18:37:30Z)
• 3D Self-Supervised Methods for Medical Imaging [7.65168530693281]
  本稿では,プロキシタスクの形式で,5種類の自己教師型手法の3次元バージョンを提案する。 提案手法は,未ラベルの3次元画像からニューラルネットワークの特徴学習を容易にし,専門家のアノテーションに必要なコストを削減することを目的としている。 開発したアルゴリズムは、3D Contrastive Predictive Coding, 3D Rotation Prediction, 3D Jigsaw puzzles, Relative 3D patch location, 3D Exemplar Networkである。
  論文  参考訳（メタデータ） (2020-06-06T09:56:58Z)
• Exemplar Fine-Tuning for 3D Human Model Fitting Towards In-the-Wild 3D Human Pose Estimation [107.07047303858664]
  3次元の地平線アノテーションを持つ大規模な人的データセットは、野生では入手が困難である。 既存の2Dデータセットを高品質な3Dポーズマッチングで拡張することで、この問題に対処する。 結果として得られるアノテーションは、3Dのプロシージャネットワークをスクラッチからトレーニングするのに十分である。
  論文  参考訳（メタデータ） (2020-04-07T20:21:18Z)

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。