論文の概要: Deep Learning in Ultrasound Elastography Imaging

• arxiv url: http://arxiv.org/abs/2010.07360v2
• Date: Sat, 31 Oct 2020 18:59:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 13:10:44.992776
• Title: Deep Learning in Ultrasound Elastography Imaging
• Title（参考訳）: 超音波エラストグラフィーにおける深層学習
• Authors: Hongliang Li, Manish Bhatt, Zhen Qu, Shiming Zhang, Martin C. Hartel, Ali Khademhosseini, Guy Cloutier
• Abstract要約: 超音波エラストグラフィーは、超音波イメージングを用いて組織硬さを特徴づける技術である。 深層学習は超音波エラストグラフィー研究で登場し始めている。
• 参考スコア（独自算出の注目度）: 6.130187713080344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is known that changes in the mechanical properties of tissues are associated with the onset and progression of certain diseases. Ultrasound elastography is a technique to characterize tissue stiffness using ultrasound imaging either by measuring tissue strain using quasi-static elastography or natural organ pulsation elastography, or by tracing a propagated shear wave induced by a source or a natural vibration using dynamic elastography. In recent years, deep learning has begun to emerge in ultrasound elastography research. In this review, several common deep learning frameworks in the computer vision community, such as multilayer perceptron, convolutional neural network, and recurrent neural network are described. Then, recent advances in ultrasound elastography using such deep learning techniques are revisited in terms of algorithm development and clinical diagnosis. Finally, the current challenges and future developments of deep learning in ultrasound elastography are prospected.
• Abstract（参考訳）: 組織の機械的特性の変化は、特定の疾患の発症と進行と関連していることが知られている。 超音波エラストグラフィーは、準静電エラストグラフィーまたは自然臓器脈拍エラストグラフィーを用いて組織ひずみを測定するか、ダイナミックエラストグラフィーを用いて、ソースまたは自然な振動によって誘起される伝搬せん断波をトレースすることにより、組織硬さを特徴付ける技術である。 近年,超音波エラストグラフィー研究において深層学習が登場し始めている。 本稿では,多層パーセプトロン,畳み込みニューラルネットワーク,リカレントニューラルネットワークなど,コンピュータビジョンコミュニティにおける一般的なディープラーニングフレームワークについて述べる。 そして,このような深層学習技術を用いた超音波エラストグラフィーの最近の進歩を,アルゴリズム開発と臨床診断の観点から再考した。 最後に, 超音波エラストグラフィにおける深層学習の課題と今後の展開を展望する。

関連論文リスト

• Uterine Ultrasound Image Captioning Using Deep Learning Techniques [0.0]
  本稿では,深層学習を用いた医用画像キャプションについて検討し,特に子宮内超音波画像に焦点を当てた。 我々の研究は、タイムリーで正確な診断を行う医療専門家を支援することを目的としており、最終的には患者ケアの改善に寄与する。
  論文  参考訳（メタデータ） (2024-11-21T11:41:42Z)
• S-CycleGAN: Semantic Segmentation Enhanced CT-Ultrasound Image-to-Image Translation for Robotic Ultrasonography [2.07180164747172]
  我々はS-CycleGANと呼ばれる高度なディープラーニングモデルを導入し,CTデータから高品質な合成超音波画像を生成する。 合成画像を用いて,ロボット支援超音波スキャンシステムの開発の諸側面を解明する。
  論文  参考訳（メタデータ） (2024-06-03T10:53:45Z)
• Generative Adversarial Networks in Ultrasound Imaging: Extending Field of View Beyond Conventional Limits [1.6588671405657123]
  TTE超音波イメージングは、特に視野(FoV)と解像度のトレードオフなど、固有の限界に直面している。 本稿では,条件付きジェネレーティブ・アドバイザリ・ネットワーク(cGAN)の新たな応用について紹介する。 提案したcGANアーキテクチャーはエコーGANと呼ばれ、アウトペイントにより現実的な解剖学的構造を生成する能力を示す。
  論文  参考訳（メタデータ） (2024-05-31T16:26:30Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• AiAReSeg: Catheter Detection and Segmentation in Interventional Ultrasound using Transformers [75.20925220246689]
  血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。 本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T19:34:12Z)
• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• Deep Learning for Ultrasound Beamforming [120.12255978513912]
  受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。 現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。 ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
  論文  参考訳（メタデータ） (2021-09-23T15:15:21Z)
• 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)

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。