Fugu-MT 論文翻訳(概要): Deep Learning for Multi-View Ultrasonic Image Fusion

論文の概要: Deep Learning for Multi-View Ultrasonic Image Fusion

arxiv url: http://arxiv.org/abs/2109.03616v1
Date: Wed, 8 Sep 2021 13:04:07 GMT
ステータス: 処理完了
システム内更新日: 2021-09-09 13:30:53.454621
Title: Deep Learning for Multi-View Ultrasonic Image Fusion
Title（参考訳）: 多視点超音波画像融合のための深層学習
Authors: Georgios Pilikos, Lars Horchens, Tristan van Leeuwen, Felix Lucka
Abstract要約: Delay-And-Sum (DAS)アルゴリズムは、反射信号がトランスデューサに戻るメインパスを用いて画像を生成する。従来の画像融合技術は、通常、事前定義された画像変換、プーリング操作、しきい値のアドホックな組み合わせを使用する。我々は、異なる共振路に対するDAS画像形成をネットワーク層として明示的に取り入れつつ、利用可能なすべてのデータをセグメントマップに直接マッピングするディープニューラルネットワークアーキテクチャを提案する。
参考スコア（独自算出の注目度）: 2.1410799064827226
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Ultrasonic imaging is being used to obtain information about the acoustic properties of a medium by emitting waves into it and recording their interaction using ultrasonic transducer arrays. The Delay-And-Sum (DAS) algorithm forms images using the main path on which reflected signals travel back to the transducers. In some applications, different insonification paths can be considered, for instance by placing the transducers at different locations or if strong reflectors inside the medium are known a-priori. These different modes give rise to multiple DAS images reflecting different geometric information about the scatterers and the challenge is to either fuse them into one image or to directly extract higher-level information regarding the materials of the medium, e.g., a segmentation map. Traditional image fusion techniques typically use ad-hoc combinations of pre-defined image transforms, pooling operations and thresholding. In this work, we propose a deep neural network (DNN) architecture that directly maps all available data to a segmentation map while explicitly incorporating the DAS image formation for the different insonification paths as network layers. This enables information flow between data pre-processing and image post-processing DNNs, trained end-to-end. We compare our proposed method to a traditional image fusion technique using simulated data experiments, mimicking a non-destructive testing application with four image modes, i.e., two transducer locations and two internal reflection boundaries. Using our approach, it is possible to obtain much more accurate segmentation of defects.
Abstract（参考訳）: 超音波イメージングは、媒質の音響特性に関する情報を得るために、電磁波を放射し、超音波トランスデューサアレイを用いて相互作用を記録するために用いられる。 Delay-And-Sum (DAS)アルゴリズムは、反射信号がトランスデューサに戻すメインパスを使って画像を生成する。例えば、トランスデューサを異なる場所に配置したり、媒体内部の強い反射体がa-prioriとして知られている場合などである。これらの異なるモードは、散乱体に関する異なる幾何学的情報を反映する複数のdas画像を生じさせ、課題は、それらを1つの画像に融合するか、あるいは媒体の材料、例えばセグメンテーションマップに関する高レベルな情報を直接抽出することである。従来の画像融合技術は通常、予め定義された画像変換、プーリング操作、しきい値のアドホックな組み合わせを用いる。本研究では、異なる共振路に対するDAS画像形成をネットワーク層として明示的に取り入れつつ、利用可能なすべてのデータをセグメントマップに直接マッピングするディープニューラルネットワーク(DNN)アーキテクチャを提案する。これにより、トレーニングされたエンドツーエンドであるデータ前処理とイメージ後処理DNN間の情報フローが可能になる。提案手法をシミュレーションデータを用いた従来の画像融合法と比較し,4つの画像モード,すなわち2つのトランスデューサ位置と2つの内部反射境界を持つ非破壊試験アプリケーションを模倣した。この手法を用いることで、欠陥のより正確なセグメンテーションを得ることができる。

関連論文リスト

Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文参考訳（メタデータ） (2024-08-28T10:07:17Z)
DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文参考訳（メタデータ） (2023-12-11T18:38:28Z)
Unified Frequency-Assisted Transformer Framework for Detecting and Grounding Multi-Modal Manipulation [109.1912721224697]
本稿では、DGM4問題に対処するため、UFAFormerという名前のUnified Frequency-Assisted TransFormerフレームワークを提案する。離散ウェーブレット変換を利用して、画像を複数の周波数サブバンドに分解し、リッチな顔偽造品をキャプチャする。提案する周波数エンコーダは、帯域内およびバンド間自己アテンションを組み込んだもので、多種多様なサブバンド内および多種多様なフォージェリー特徴を明示的に集約する。
論文参考訳（メタデータ） (2023-09-18T11:06:42Z)
Scale-MAE: A Scale-Aware Masked Autoencoder for Multiscale Geospatial Representation Learning [55.762840052788945]
本研究では,異なるスケールでデータ間の関係を明示的に学習する事前学習手法であるScale-MAEを提案する。その結果,低周波画像と高周波画像の両方を再構成することで,リモートセンシング画像のマルチスケール表現が堅牢になることがわかった。
論文参考訳（メタデータ） (2022-12-30T03:15:34Z)
Cross-Modal Fusion Distillation for Fine-Grained Sketch-Based Image Retrieval [55.21569389894215]
本稿では,視覚変換器(XModalViT)のクロスアテンションフレームワークを提案する。我々のフレームワークはまず、個々の写真からペア化されたデータポイントをマッピングし、両方のモダリティから情報を統一する融合表現にスケッチする。次に、上記のモダリティ融合ネットワークの入力空間を、コントラストおよびリレーショナルなクロスモーダル知識蒸留により個々のモダリティの独立エンコーダに分離する。
論文参考訳（メタデータ） (2022-10-19T11:50:14Z)
Deep Uncalibrated Photometric Stereo via Inter-Intra Image Feature Fusion [17.686973510425172]
本稿では, 深部非校正光度ステレオの新しい手法を提案する。画像間表現を効率的に利用し、正規推定を導出する。本手法は, 合成データと実データの両方において, 最先端の手法よりも有意に優れた結果が得られる。
論文参考訳（メタデータ） (2022-08-06T03:59:54Z)
Single Plane-Wave Imaging using Physics-Based Deep Learning [2.1410799064827226]
平面波イメージングでは、異なる角度から複数の非焦点超音波が媒介される。超音波イメージングを改善するための深層学習法が提案されている。本稿では、深部畳み込みニューラルネットワークにおける波動物理に基づく画像形成アルゴリズムを組み込んだデータ・ツー・イメージアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-09-08T14:06:29Z)
M2TR: Multi-modal Multi-scale Transformers for Deepfake Detection [74.19291916812921]
Deepfake技術によって生成された鍛造画像は、デジタル情報の信頼性に深刻な脅威をもたらします。本稿では,Deepfake検出のための微妙な操作アーチファクトを異なるスケールで捉えることを目的とする。最先端の顔スワッピングと顔の再現方法によって生成された4000のDeepFakeビデオで構成される高品質のDeepFakeデータセットSR-DFを紹介します。
論文参考訳（メタデータ） (2021-04-20T05:43:44Z)
AS-Net: Fast Photoacoustic Reconstruction with Multi-feature Fusion from Sparse Data [1.7237160821929758]
光音響イメージングは、従来の光学イメージング技術よりもはるかに大きな深さでの光吸収の高コントラスト画像を得ることができる。本稿では,スパースPA生データをニューラルネットワークに適したものにするために,新しい信号処理手法を提案する。次に,多機能核融合を用いたPA再構成のためのアテンションステアリングネットワーク(AS-Net)を提案する。
論文参考訳（メタデータ） (2021-01-22T03:49:30Z)
A deep learning pipeline for identification of motor units in musculoskeletal ultrasound [0.5249805590164902]
超高速超音波を用いて個々のMUの機械的応答を記録・解析できることが示されている。本稿では,超音波画像系列のアクティブMUを特定するための方法として,深層学習パイプラインを提案する。複雑なアクティベーションパターンと重なり合う領域を模倣したシミュレーションデータを用いてモデルを評価する。
論文参考訳（メタデータ） (2020-09-23T20:44:29Z)
Fast ultrasonic imaging using end-to-end deep learning [1.0266286487433585]
ディープニューラルネットワーク(DNN)は、データ前処理とイメージ後処理のステップを別々に使用する。エンド・ツー・エンドのトレーニングを実現するために,3つのステップをすべて統合した新しいディープラーニングアーキテクチャを提案する。
論文参考訳（メタデータ） (2020-09-04T13:53:46Z)

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。