論文の概要: Deep Learning for Ultrasound Beamforming
- arxiv url: http://arxiv.org/abs/2109.11431v1
- Date: Thu, 23 Sep 2021 15:15:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-24 17:21:18.585057
- Title: Deep Learning for Ultrasound Beamforming
- Title（参考訳）: 超音波ビームフォーミングのための深層学習
- Authors: Ruud JG van Sloun, Jong Chul Ye, Yonina C Eldar
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 120.12255978513912
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diagnostic imaging plays a critical role in healthcare, serving as a
fundamental asset for timely diagnosis, disease staging and management as well
as for treatment choice, planning, guidance, and follow-up. Among the
diagnostic imaging options, ultrasound imaging is uniquely positioned, being a
highly cost-effective modality that offers the clinician an unmatched and
invaluable level of interaction, enabled by its real-time nature. Ultrasound
probes are becoming increasingly compact and portable, with the market demand
for low-cost pocket-sized and (in-body) miniaturized devices expanding. At the
same time, there is a strong trend towards 3D imaging and the use of
high-frame-rate imaging schemes; both accompanied by dramatically increasing
data rates that pose a heavy burden on the probe-system communication and
subsequent image reconstruction algorithms.
With the demand for high-quality image reconstruction and signal extraction
from less (e.g unfocused or parallel) transmissions that facilitate fast
imaging, and a push towards compact probes, modern ultrasound imaging leans
heavily on innovations in powerful digital receive channel processing.
Beamforming, the process of mapping received ultrasound echoes to the spatial
image domain, naturally lies at the heart of the ultrasound image formation
chain. In this chapter on Deep Learning for Ultrasound Beamforming, we discuss
why and when deep learning methods can play a compelling role in the digital
beamforming pipeline, and then show how these data-driven systems can be
leveraged for improved ultrasound image reconstruction.
- Abstract（参考訳）: 画像診断は医療において重要な役割を担い、タイムリーな診断、病気のステージング、管理、治療の選択、計画、指導、フォローアップの基本的な資産として機能する。
診断画像の選択肢のうち、超音波画像は一意に位置決めされており、臨床医がリアルタイムの性質によって実現される、不整合で貴重な相互作用レベルを提供する非常に費用効果の高いモードである。
超音波プローブのコンパクト化とポータブル化が進み、低価格のポケットサイズの小型デバイスへの需要が高まっている。
同時に、3次元イメージングや高フレームレート撮像方式への強いトレンドがあり、同時にプローブ-システム通信やその後の画像再構成アルゴリズムに重荷を負うデータレートが劇的に増加する。
高速撮像を容易にする(焦点を絞らないまたは平行な)伝送からの高品質な画像再構成と信号抽出の需要とコンパクトプローブへの推進により、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。
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(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自然に存在する。
超音波ビームフォーミングの深層学習に関する章では、デジタルビームフォーミングパイプラインにおいてディープラーニング手法が魅力的な役割を果たす理由と方法について議論し、これらのデータ駆動システムをどのように活用して超音波画像再構成を改善するかを示す。
関連論文リスト
- PHOCUS: Physics-Based Deconvolution for Ultrasound Resolution Enhancement [36.20701982473809]
超音波イメージングシステムのインパルス機能はポイントスプレッド機能(PSF)と呼ばれ、画像形成過程における反射体の空間分布と結びついている。
我々は、より一般的なBモード画像を直接扱う、モデル付きPSFを用いた物理ベースのデコンボリューションプロセスを導入する。
Inlicit Neural Representations (INR) を利用することで、空間位置からそれぞれのエコー原性値への連続的なマッピングを学習し、離散化された画像空間を効果的に補償する。
論文 参考訳（メタデータ） (2024-08-07T09:52:30Z) - 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) - 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) - Cardiac ultrasound simulation for autonomous ultrasound navigation [4.036497185262817]
本稿では,他のモーダルや任意の位置から大量の超音波画像を生成する手法を提案する。
本稿では,他のモダリティからのセグメンテーション,最適化されたデータ表現,GPUによるモンテカルロ経路のトレースを用いた新しいシミュレーションパイプラインを提案する。
提案手法により,患者固有の超音波画像の高速かつ正確な生成が可能となり,ナビゲーション関連タスクのためのトレーニングネットワークのユーザビリティが実証された。
論文 参考訳（メタデータ） (2024-02-09T15:14:48Z) - 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) - Reslicing Ultrasound Images for Data Augmentation and Vessel
Reconstruction [22.336362581634706]
本稿では,追跡された2次元画像から再構成された3次元ボリュームをスライスした超音波画像に対する弱い監視データ拡張手法であるRESUSを紹介する。
超音波画像の物理的制約により生体内で容易に得られないビューを生成し,これらの拡張超音波画像を用いてセマンティックセグメンテーションモデルを訓練する。
我々は, RESUSが非拡張画像を用いた訓練よりも統計的に有意な改善を達成し, 血管再建による質的改善を強調できることを実証した。
論文 参考訳（メタデータ） (2023-01-18T03:22:47Z) - 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と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳（メタデータ） (2022-06-17T08:11:26Z) - Ultrasound Signal Processing: From Models to Deep Learning [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)
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。