論文の概要: A Universal Deep Learning Framework for Real-Time Denoising of Ultrasound Images

• arxiv url: http://arxiv.org/abs/2101.09122v1
• Date: Fri, 22 Jan 2021 14:18:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-20 17:17:43.173112
• Title: A Universal Deep Learning Framework for Real-Time Denoising of Ultrasound Images
• Title（参考訳）: 超音波画像のリアルタイムDenoisingのためのユニバーサルディープラーニングフレームワーク
• Authors: Simone Cammarasana, Paolo Nicolardi, Giuseppe Patan\`e
• Abstract要約: 超音波画像のリアルタイムデノライゼーションのための普遍的ディープラーニングフレームワークを定義した。 超音波画像の平滑化のための最先端手法の解析と比較を行った。 そこで本研究では,選択された最新デノイジング手法のチューニング版を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound images are widespread in medical diagnosis for muscle-skeletal, cardiac, and obstetrical diseases, due to the efficiency and non-invasiveness of the acquisition methodology. However, ultrasound acquisition introduces a speckle noise in the signal, that corrupts the resulting image and affects further processing operations, and the visual analysis that medical experts conduct to estimate patient diseases. Our main goal is to define a universal deep learning framework for real-time denoising of ultrasound images. We analyse and compare state-of-the-art methods for the smoothing of ultrasound images (e.g., spectral, low-rank, and deep learning denoising algorithms), in order to select the best one in terms of accuracy, preservation of anatomical features, and computational cost. Then, we propose a tuned version of the selected state-of-the-art denoising methods (e.g., WNNM), to improve the quality of the denoised images, and extend its applicability to ultrasound images. To handle large data sets of ultrasound images with respect to applications and industrial requirements, we introduce a denoising framework that exploits deep learning and HPC tools, and allows us to replicate the results of state-of-the-art denoising methods in a real-time execution.
• Abstract（参考訳）: 超音波画像は, 筋骨格疾患, 心臓疾患, 産科疾患の診断において, 取得法の有効性と非侵襲性から広く用いられている。 しかし、超音波の取得は信号のスペックルノイズを導入し、その結果の画像が劣化し、さらなる処理操作に影響を及ぼし、医療専門家が患者の病気を推定するために行う視覚的分析が引き起こされる。 我々の主な目的は、超音波画像のリアルタイムdenoisingのための普遍的なディープラーニングフレームワークを定義することである。 超音波画像の平滑化(スペクトル,低ランク,深層学習など)に関する最先端の手法を解析・比較し,精度,解剖学的特徴の保存,計算コストの観点から最適な手法を選択する。 そこで,本研究では,画像の品質向上と超音波画像への適用性向上のために,選択した最先端デノナイズ手法(WNNMなど)のチューニング版を提案する。 超音波画像の大規模データセットをアプリケーションや産業的要求に対して処理するために,ディープラーニングとHPCツールを活用するデノナイジングフレームワークを導入し,リアルタイムに最先端のデノナイジング手法の結果を再現する。

関連論文リスト

• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• 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に基づいている。 OAイメージングは、豊富な光学コントラストと深部組織における高分解能の強力な組み合わせを特徴としている。 異なるタイプの実験的なセットアップと関連する処理メソッドで生成された標準化されたデータセットは使用できない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• Ultrasound Signal Processing: From Models to Deep Learning [83.00618699971432]
  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、高品質な信号処理アルゴリズムに大きく依存している。 手作りの再現法は、しばしば基礎となる測定モデルの近似に基づいており、実際は有用であるが、画質の面では遅れている。 ディープラーニングベースの手法が人気を集め、データ駆動方式で最適化されている。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• MR Image Denoising and Super-Resolution Using Regularized Reverse Diffusion [38.62448918459113]
  本稿では,スコアベース逆拡散サンプリングに基づく新しい復調法を提案する。 当ネットワークは, 人工膝関節のみを訓練し, 生体内MRIデータにも優れていた。
  論文  参考訳（メタデータ） (2022-03-23T10:35:06Z)
• De-Noising of Photoacoustic Microscopy Images by Deep Learning [0.9786690381850356]
  光音響顕微鏡(PAM)画像は、レーザー強度の最大許容露光、組織内の超音波の減衰、トランスデューサ固有のノイズによってノイズに悩まされる。 そこで本研究では,PAM画像から複雑なノイズを取り除くための深層学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2022-01-12T05:13:57Z)
• Ultrasound Speckle Suppression and Denoising using MRI-derived Normalizing Flow Priors [16.741462523436848]
  本稿では,非教師付き超音波スペックル低減法と画像復調法を提案する。 この方法は、他の(教師なし)超音波復調法(NLMおよびOBNLM)を定量的および定性的に上回る。
  論文  参考訳（メタデータ） (2021-12-24T17:21:24Z)
• 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)
• Do Noises Bother Human and Neural Networks In the Same Way? A Medical Image Analysis Perspective [20.40395704320726]
  アプリケーション指向のデノナイズフレームワークを導入し、次のニューラルネットワークのデノナイズに焦点を当てる。 実験結果から,提案手法は人間の視覚的認知ネットワークよりも優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-11-04T06:58:09Z)
• 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)
• A CNN-Based Blind Denoising Method for Endoscopic Images [19.373025463383385]
  低画質の内視鏡画像が多数存在するのは,GI領域の照明や複雑な環境が限られているためである。 本稿では,内視鏡画像のための畳み込み型ブラインドデノイングネットワークを提案する。
  論文  参考訳（メタデータ） (2020-03-16T03:11:11Z)

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。