論文の概要: Ultrasound Scatterer Density Classification Using Convolutional Neural
Networks by Exploiting Patch Statistics
- arxiv url: http://arxiv.org/abs/2012.02738v1
- Date: Fri, 4 Dec 2020 17:36:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-23 01:54:45.623005
- Title: Ultrasound Scatterer Density Classification Using Convolutional Neural
Networks by Exploiting Patch Statistics
- Title(参考訳): パッチ統計を利用した畳み込みニューラルネットワークを用いた超音波散乱体密度分類
- Authors: Ali K. Z. Tehrani, Mina Amiri, Ivan M. Rosado-Mendez, Timothy J. Hall,
and Hassan Rivaz
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.93098730337656
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantitative ultrasound (QUS) can reveal crucial information on tissue
properties such as scatterer density. If the scatterer density per resolution
cell is above or below 10, the tissue is considered as fully developed speckle
(FDS) or low-density scatterers (LDS), respectively. Conventionally, the
scatterer density has been classified using estimated statistical parameters of
the amplitude of backscattered echoes. However, if the patch size is small, the
estimation is not accurate. These parameters are also highly dependent on
imaging settings. In this paper, we propose a convolutional neural network
(CNN) architecture for QUS, and train it using simulation data. We further
improve the network performance by utilizing patch statistics as additional
input channels. We evaluate the network using simulation data, experimental
phantoms and in vivo data. We also compare our proposed network with different
classic and deep learning models, and demonstrate its superior performance in
classification of tissues with different scatterer density values. The results
also show that the proposed network is able to work with different imaging
parameters with no need for a reference phantom. This work demonstrates the
potential of CNNs in classifying scatterer density in ultrasound images.
- Abstract(参考訳): 定量的超音波(qus)は散乱体密度などの組織特性の重要な情報を明らかにすることができる。
分解能細胞当たりの散乱密度が10以上である場合、組織は、それぞれ完全に発達したスペックル(fds)または低密度散乱体(lds)と見なされる。
従来,後方散乱エコーの振幅の推定統計パラメータを用いて散乱密度を分類してきた。
しかし、パッチサイズが小さい場合、その推定は正確ではない。
これらのパラメータは画像設定にも強く依存する。
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。
さらに,パッチ統計を追加入力チャネルとして利用することで,ネットワーク性能をさらに向上させる。
シミュレーションデータ,実験ファントム,生体内データを用いてネットワークの評価を行った。
また,提案するネットワークを古典的および深層学習モデルと比較し,散乱密度値の異なる組織分類において,その優れた性能を示す。
また,提案したネットワークは,参照ファントムを必要とせずに,異なる画像パラメータで動作可能であることを示す。
本研究は超音波画像における散乱体密度の分類におけるCNNの可能性を示す。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳(メタデータ) (2024-10-05T20:03:57Z) - Implicit Neural Representations for Speed-of-Sound Estimation in Ultrasound [3.9665976815001165]
入射神経表現(英語: Implicit Neural representations、INR)は、ネットワークの重みを通して画像や物理量などの連続的な機能を符号化するニューラルネットワークアーキテクチャの一種である。
本研究では、米国における音速推定(SoS)にINRを用いる。
論文 参考訳(メタデータ) (2024-09-21T06:43:38Z) - Improved Generalization of Weight Space Networks via Augmentations [53.87011906358727]
深度重み空間(DWS)における学習は新たな研究方向であり、2次元および3次元神経場(INRs, NeRFs)への応用
我々は、この過度な適合の理由を実証的に分析し、主要な理由は、DWSデータセットの多様性の欠如であることがわかった。
そこで本研究では,重み空間におけるデータ拡張戦略について検討し,重み空間に適応したMixUp法を提案する。
論文 参考訳(メタデータ) (2024-02-06T15:34:44Z) - Diffusion-based Data Augmentation for Object Counting Problems [62.63346162144445]
拡散モデルを用いて広範なトレーニングデータを生成するパイプラインを開発する。
拡散モデルを用いて位置ドットマップ上に条件付き画像を生成するのはこれが初めてである。
提案した拡散モデルにおけるカウント損失は,位置ドットマップと生成した群集画像との差を効果的に最小化する。
論文 参考訳(メタデータ) (2024-01-25T07:28:22Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳(メタデータ) (2023-12-04T01:32:42Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - Robust Scatterer Number Density Segmentation of Ultrasound Images [2.599882743586164]
定量的超音波(QUS)は、臨床スキャナーからの後方散乱エコー信号を用いて組織組織に関する情報を明らかにすることを目的としている。
散乱器数密度は、他のQUSパラメータの推定に影響を与える重要な特性である。
セグメンテーションタスクには畳み込みニューラルネットワーク(CNN)を用い、異なるデータセット上でネットワークをテストした場合のドメインシフトの影響について検討する。
論文 参考訳(メタデータ) (2022-01-16T22:08:47Z) - Examining and Mitigating Kernel Saturation in Convolutional Neural
Networks using Negative Images [0.8594140167290097]
CNNにおける畳み込みカーネル飽和の影響を解析する。
トレーニングデータセットに負の画像を追加することで、飽和を緩和し、分類精度を高めるための単純なデータ増強技術を提案する。
以上の結果から,CNNは畳み込みカーネル飽和の影響を受けやすく,トレーニングデータセットに負のイメージを補うことで,分類精度が統計的に顕著に向上する可能性が示唆された。
論文 参考訳(メタデータ) (2021-05-10T06:06:49Z) - Training robust deep learning models for medical imaging tasks with
spectral decoupling [0.0]
スペクトル分離は、強いスプリアス相関を持つデータセット上でニューラルネットワークのトレーニングを可能にする。
スペクトルデカップリングで訓練されたネットワークは、異なる中心からのデータセットの重量減衰よりも精度を10パーセント向上させる。
その結果、スペクトル分離により、複数の中心にまたがってトレーニング可能なロバストなニューラルネットワークが利用可能であることが判明した。
論文 参考訳(メタデータ) (2021-03-31T15:47:01Z) - The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network
Architectures [179.66117325866585]
我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。
この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。
画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
論文 参考訳(メタデータ) (2020-06-29T17:59:26Z) - Deep Network for Scatterer Distribution Estimation for Ultrasound Image
Simulation [8.13909718726358]
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。
論文 参考訳(メタデータ) (2020-06-17T21:25:13Z)
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。