論文の概要: Single Plane-Wave Imaging using Physics-Based Deep Learning

• arxiv url: http://arxiv.org/abs/2109.03661v1
• Date: Wed, 8 Sep 2021 14:06:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-09 14:16:46.586473
• Title: Single Plane-Wave Imaging using Physics-Based Deep Learning
• Title（参考訳）: 物理に基づく深層学習による単一平面波イメージング
• Authors: Georgios Pilikos, Chris L. de Korte, Tristan van Leeuwen, Felix Lucka
• Abstract要約: 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。
• 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: In plane-wave imaging, multiple unfocused ultrasound waves are transmitted into a medium of interest from different angles and an image is formed from the recorded reflections. The number of plane waves used leads to a trade-off between frame-rate and image quality, with single-plane-wave (SPW) imaging being the fastest possible modality with the worst image quality. Recently, deep learning methods have been proposed to improve ultrasound imaging. One approach is to use image-to-image networks that work on the formed image and another is to directly learn a mapping from data to an image. Both approaches utilize purely data-driven models and require deep, expressive network architectures, combined with large numbers of training samples to obtain good results. Here, we propose a data-to-image architecture that incorporates a wave-physics-based image formation algorithm in-between deep convolutional neural networks. To achieve this, we implement the Fourier (FK) migration method as network layers and train the whole network end-to-end. We compare our proposed data-to-image network with an image-to-image network in simulated data experiments, mimicking a medical ultrasound application. Experiments show that it is possible to obtain high-quality SPW images, almost similar to an image formed using 75 plane waves over an angular range of $\pm$16$^\circ$. This illustrates the great potential of combining deep neural networks with physics-based image formation algorithms for SPW imaging.
• Abstract（参考訳）: 平面波イメージングでは、異なる角度から関心のある媒体に複数の非焦点超音波を伝送し、記録された反射から画像を形成する。 使用する平面波の数はフレームレートと画像品質のトレードオフにつながり、単一平面波(spw)イメージングは最悪の画像品質を持つ最高速のモダリティである。 近年,超音波画像改善のための深層学習法が提案されている。 1つのアプローチは、形成した画像に作用する画像間ネットワークを使用することで、もう1つは、データから画像へのマッピングを直接学習することである。 どちらのアプローチも純粋にデータ駆動モデルを利用しており、優れた結果を得るためには深い表現力のあるネットワークアーキテクチャと多数のトレーニングサンプルを組み合わせる必要がある。 本稿では,深層畳み込みニューラルネットワーク間の波動物理学に基づく画像生成アルゴリズムを組み込んだデータ対画像アーキテクチャを提案する。 これを実現するために,ネットワーク層としてフーリエ(fk)マイグレーション手法を実装し,エンドツーエンドでネットワーク全体をトレーニングする。 シミュレーションデータ実験において,提案する画像間ネットワークと画像間ネットワークを比較し,医用超音波アプリケーションを模倣した。 実験により、75平面波で形成された画像とほぼ類似した高品質なspw画像が得られることが示され、角範囲は$\pm$16$^\circ$である。 このことは、深層ニューラルネットワークとSPWイメージングのための物理ベースの画像形成アルゴリズムを組み合わせる大きな可能性を示している。

関連論文リスト

• Parameter-Inverted Image Pyramid Networks [49.35689698870247]
  Inverted Image Pyramid Networks (PIIP) と呼ばれる新しいネットワークアーキテクチャを提案する。 私たちの中核となる考え方は、パラメータサイズの異なるモデルを使用して、画像ピラミッドの解像度の異なるレベルを処理することです。 PIIPは、オブジェクト検出、セグメンテーション、画像分類などのタスクにおいて優れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:10Z)
• Experimental Validation of Ultrasound Beamforming with End-to-End Deep Learning for Single Plane Wave Imaging [0.810120481608724]
  超高速超音波イメージングは、多くの集束波ではなく、異なるビームステアリング角度で複数の平面波の1つまたは1つの組み合わせで媒体を照射する。 深層学習アプローチは、特に単一平面波のイメージングにおいて、この欠点を軽減するために提案されている。 本稿では,従来の画像形成手法を取り入れたデータ・ツー・イメージ・ネットワークを,ネットワークアーキテクチャにおける識別可能なレイヤとして検討する。
  論文  参考訳（メタデータ） (2024-04-22T13:58:36Z)
• Hyper-VolTran: Fast and Generalizable One-Shot Image to 3D Object Structure via HyperNetworks [53.67497327319569]
  画像から3Dまでを1つの視点から解く新しいニューラルレンダリング手法を提案する。 提案手法では, 符号付き距離関数を表面表現として使用し, 幾何エンコードボリュームとハイパーネットワークスによる一般化可能な事前処理を取り入れた。 本実験は,一貫した結果と高速な生成による提案手法の利点を示す。
  論文  参考訳（メタデータ） (2023-12-24T08:42:37Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D Microscopic Imaging using Digital Holography [3.4635026053111484]
  デジタルホログラフィー(Digital holography)は、平面波面を持つレーザービームを物体に放出し、ホログラムと呼ばれる回折波形の強度を測定する3Dイメージング技術である。 近年,より正確なホログラフィック処理に深層学習(DL)法が用いられている。 本稿では, 識別ネットワークを用いて, 復元品質のセマンティック尺度を実現する, 生成的敵ネットワークに基づく新しいDLアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:13:45Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Fourier Neural Operator Networks: A Fast and General Solver for the Photoacoustic Wave Equation [1.7205106391379026]
  同質媒質における2次元光音響波動方程式の解法として,高速なデータ駆動深層学習法を適用した。 我々はFNOネットワークが小さな誤差で同等のシミュレーションを発生し、桁違いに高速であったことを示す。
  論文  参考訳（メタデータ） (2021-08-20T21:09:53Z)
• 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)
• Single Image Brightening via Multi-Scale Exposure Fusion with Hybrid Learning [48.890709236564945]
  小さいISOと小さな露光時間は、通常、背面または低い光条件下で画像をキャプチャするために使用される。 本稿では、そのような画像を明るくするために、単一の画像輝度化アルゴリズムを提案する。 提案アルゴリズムは,露出時間が大きい2つの仮想画像を生成するための,ユニークなハイブリッド学習フレームワークを含む。
  論文  参考訳（メタデータ） (2020-07-04T08:23:07Z)
• Learning the geometry of wave-based imaging [24.531973107529584]
  本研究では、フーリエ積分演算子(FIO)にインスパイアされた解釈可能なニューラルネットワークを構築し、波動物理を近似する。 本研究では,データに暗黙的なFIOによって捕捉された波動伝播の幾何学的形状を,最適輸送に基づく損失によって学習することに集中する。 提案したFIONetは、多くの画像逆問題、特にアウト・オブ・ディストリビューションテストにおいて、通常のベースラインよりもはるかに優れている。
  論文  参考訳（メタデータ） (2020-06-10T14:29:54Z)
• Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
  形状とSVBRDFを段階的に推定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。 ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。 合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-04-01T12:56:13Z)

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。