論文の概要: Fast Strain Estimation and Frame Selection in Ultrasound Elastography
using Machine Learning
- arxiv url: http://arxiv.org/abs/2110.08668v1
- Date: Sat, 16 Oct 2021 21:35:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-21 09:51:25.938608
- Title: Fast Strain Estimation and Frame Selection in Ultrasound Elastography
using Machine Learning
- Title(参考訳): 機械学習を用いた超音波エラストグラフィの高速ひずみ推定とフレーム選択
- Authors: Abdelrahman Zayed and Hassan Rivaz
- Abstract要約: 本研究では, 大規模トレーニングデータベースの変位場について主成分分析(PCA)を行い, 準静電エラストグラフィーで12の変位モードを学習する手法を提案する。
次に,GLobal Ultrasound Elastography (GLUE) 法を用いて正確な変位像を得る。
提案手法はPCA-GLUEと呼ばれ,初期変位マップの計算においてDPよりも10倍以上高速である。
- 参考スコア(独自算出の注目度): 5.50791468454604
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ultrasound Elastography aims to determine the mechanical properties of the
tissue by monitoring tissue deformation due to internal or external forces.
Tissue deformations are estimated from ultrasound radio frequency (RF) signals
and are often referred to as time delay estimation (TDE). Given two RF frames
I1 and I2, we can compute a displacement image which shows the change in the
position of each sample in I1 to a new position in I2. Two important challenges
in TDE include high computational complexity and the difficulty in choosing
suitable RF frames. Selecting suitable frames is of high importance because
many pairs of RF frames either do not have acceptable deformation for
extracting informative strain images or are decorrelated and deformation cannot
be reliably estimated. Herein, we introduce a method that learns 12
displacement modes in quasi-static elastography by performing Principal
Component Analysis (PCA) on displacement fields of a large training database.
In the inference stage, we use dynamic programming (DP) to compute an initial
displacement estimate of around 1% of the samples, and then decompose this
sparse displacement into a linear combination of the 12 displacement modes. Our
method assumes that the displacement of the whole image could also be described
by this linear combination of principal components. We then use the GLobal
Ultrasound Elastography (GLUE) method to fine-tune the result yielding the
exact displacement image. Our method, which we call PCA-GLUE, is more than 10
times faster than DP in calculating the initial displacement map while giving
the same result. Our second contribution in this paper is determining the
suitability of the frame pair I1 and I2 for strain estimation, which we achieve
by using the weight vector that we calculated for PCA-GLUE as an input to a
multi-layer perceptron (MLP) classifier.
- Abstract(参考訳): 超音波エラストグラフィーは、組織の内部または外部の力による組織変形をモニタリングすることで、組織の機械的特性を決定することを目的としている。
組織変形は、超音波ラジオ周波数(RF)信号から推定され、しばしば時間遅延推定(TDE)と呼ばれる。
2つのrfフレームi1,i2が与えられると、i1における各サンプルの位置がi2における新しい位置へ変化することを示す変位画像を計算することができる。
TDEにおける2つの重要な課題は、高い計算複雑性と適切なRFフレームを選択することの難しさである。
多くのRFフレームは、情報歪画像の抽出に許容できる変形を有していないか、非相関であり、変形を確実に推定できないため、適切なフレームを選択することが重要である。
本稿では,大規模なトレーニングデータベースの変位場について主成分分析(PCA)を行い,準静電エラストグラフィーで12の変位モードを学習する手法を提案する。
推定段階では, 動的計画法 (dp) を用いて試料の約1%の初期変位推定値を計算し, このスパース変位を12個の変位モードの線形結合に分解する。
本手法では, 画像全体の変位を主成分の線形結合によっても記述できると仮定した。
次に,global ultrasound elastography (glue) 法を用いて,正確な変位像を得る結果の微調整を行った。
我々はPCA-GLUEと呼ぶ手法をDPよりも10倍以上高速に計算し,同じ結果を得た。
本稿では,PCA-GLUE で計算した重みベクトルを多層パーセプトロン(MLP)分類器の入力として利用することにより,ひずみ推定のためのフレーム対 I1 と I2 の適合性を決定する。
関連論文リスト
- Neural Graphics Primitives-based Deformable Image Registration for
On-the-fly Motion Extraction [9.599774878892665]
放射線治療における屈折内運動は、通常、変形性画像登録(DIR)を用いてモデル化される
既存の手法は、しばしば速度と精度のバランスをとるのに苦労し、臨床シナリオにおける適用性を制限する。
本研究では、ニューラルネットワークプリミティブ(NGP)を利用して変位ベクトル場(DVF)を最適化する新しいアプローチを提案する。
本手法を4D-CT肺データセットDIR-labで検証し,1.77秒で1.15pm1.15mmの目標登録誤差(TRE)を達成した。
論文 参考訳(メタデータ) (2024-02-08T11:09:27Z) - Forgery-aware Adaptive Transformer for Generalizable Synthetic Image
Detection [106.39544368711427]
本研究では,様々な生成手法から偽画像を検出することを目的とした,一般化可能な合成画像検出の課題について検討する。
本稿では,FatFormerという新しいフォージェリー適応トランスフォーマー手法を提案する。
提案手法は, 平均98%の精度でGANを観測し, 95%の精度で拡散モデルを解析した。
論文 参考訳(メタデータ) (2023-12-27T17:36:32Z) - DiffusionPCR: Diffusion Models for Robust Multi-Step Point Cloud
Registration [73.37538551605712]
ポイントクラウド登録(PCR)は、2つのポイントクラウド間の相対的な厳密な変換を推定する。
本稿では, PCR を拡散確率過程として定式化し, ノイズ変換を基礎的真理にマッピングする。
実験ではDiffusionPCRの有効性を示し,3Dおよび3DLoMatchに対する最先端の登録リコール率(95.3%/81.6%)を得た。
論文 参考訳(メタデータ) (2023-12-05T18:59:41Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - DopUS-Net: Quality-Aware Robotic Ultrasound Imaging based on Doppler
Signal [48.97719097435527]
DopUS-Netはドップラー画像とBモード画像を組み合わせることで、小血管のセグメンテーション精度と堅牢性を高める。
動脈再同定モジュールは、リアルタイムセグメンテーション結果を質的に評価し、拡張ドップラー画像に対するプローブポーズを自動的に最適化する。
論文 参考訳(メタデータ) (2023-05-15T18:19:29Z) - A microstructure estimation Transformer inspired by sparse
representation for diffusion MRI [11.761543033212797]
ダウンサンプルq空間データを用いたdMRIによる微細構造推定のためのTransformerに基づく学習ベースフレームワークを提案する。
提案手法は,スキャン時間で最大11.25倍の加速を実現し,他の最先端の学習手法よりも優れていた。
論文 参考訳(メタデータ) (2022-05-13T05:14:22Z) - Active Phase-Encode Selection for Slice-Specific Fast MR Scanning Using
a Transformer-Based Deep Reinforcement Learning Framework [34.540525533018666]
高品質なスライス特異的軌道を生成するための軽量トランスフォーマーに基づく深層強化学習フレームワークを提案する。
提案手法は, 約150倍高速で, 復元精度を向上する。
論文 参考訳(メタデータ) (2022-03-11T05:05:09Z) - Regularization by Denoising Sub-sampled Newton Method for Spectral CT
Multi-Material Decomposition [78.37855832568569]
スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。
特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。
スペクトルct材料分解の数値的および実験的結果を示す。
論文 参考訳(メタデータ) (2021-03-25T15:20:10Z) - Real-time Surface Deformation Recovery from Stereo Videos [10.181846237133167]
ステレオビデオから組織表面の変形をリアルタイムで推定する手法を提案する。
まずステレオマッチング法を用いてステレオビデオフレームから深度情報を抽出し,組織テンプレートを生成する。
次に、ICP、ORB特徴マッチングおよびARAPコストを最小化することにより、得られたテンプレートの変形を推定する。
論文 参考訳(メタデータ) (2020-07-16T19:24:47Z) - Dueling Deep Q-Network for Unsupervised Inter-frame Eye Movement
Correction in Optical Coherence Tomography Volumes [5.371290280449071]
オプティカルコヒーレンス・トモグラフィー(OCT)では、個々のスライスを連続的に取得することで、運動アーティファクトにこのモダリティが生じる。
この画像モダリティの特徴であるスペックルノイズは、従来の登録技術が採用されている際に不正確となる。
本稿では、深層強化学習を用いて、フレーム間の動きを教師なしで補正することで、これらの課題に対処する。
論文 参考訳(メタデータ) (2020-07-03T07:14:30Z) - Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。
患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。
本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
論文 参考訳(メタデータ) (2020-06-18T09:49:11Z)
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。