論文の概要: Ultrasound Speckle Suppression and Denoising using MRI-derived
Normalizing Flow Priors
- arxiv url: http://arxiv.org/abs/2112.13110v1
- Date: Fri, 24 Dec 2021 17:21:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-29 12:39:09.135257
- Title: Ultrasound Speckle Suppression and Denoising using MRI-derived
Normalizing Flow Priors
- Title(参考訳): MRI由来の正規化フローを用いた超音波スペックル抑制とノイズ除去
- Authors: Vincent van de Schaft and Ruud J.G. van Sloun
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 16.741462523436848
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Ultrasonography offers an inexpensive, widely-accessible and compact medical
imaging solution. However, compared to other imaging modalities such as CT and
MRI, ultrasound images notoriously suffer from strong speckle noise, which
originates from the random interference of sub-wavelength scattering. This
deteriorates ultrasound image quality and makes interpretation challenging. We
here propose a new unsupervised ultrasound speckle reduction and image
denoising method based on maximum-a-posteriori estimation with deep generative
priors that are learned from high-quality MRI images. To model the generative
tissue reflectivity prior, we exploit normalizing flows, which in recent years
have shown to be very powerful in modeling signal priors across a variety of
applications. To facilitate generaliation, we factorize the prior and train our
flow model on patches from the NYU fastMRI (fully-sampled) dataset. This prior
is then used for inference in an iterative denoising scheme. We first validate
the utility of our learned priors on noisy MRI data (no prior domain shift),
and then turn to evaluating performance on both simulated and in-vivo
ultrasound images from the PICMUS and CUBDL datasets. The results show that the
method outperforms other (unsupervised) ultrasound denoising methods (NLM and
OBNLM) both quantitatively and qualitatively.
- Abstract(参考訳): 超音波検査は安価で広くアクセス可能でコンパクトな医用イメージングソリューションを提供する。
しかし、CTやMRIなどの他の画像モダリティと比較して、超音波画像はサブ波長散乱のランダムな干渉に起因する強いスペックルノイズに悩まされている。
これにより超音波画像の品質が低下し、解釈が困難になる。
本稿では,高画質mri画像から得られた深部生成前処理を用いた最大ポストエリリ推定に基づく,教師なし超音波スペックル低減法と画像切り離し法を提案する。
生成組織反射率を事前にモデル化するために,近年,様々な応用において信号先行のモデル化に非常に有効であることが判明した流れの正規化を利用する。
一般化を容易にするため,NYUの高速MRI(完全サンプリング)データセットのパッチに基づいて,前処理を分解し,フローモデルをトレーニングする。
この前処理は反復分母スキームの推論に使用される。
まず,騒がしいmriデータに対する学習前処理の有用性を検証し,picmusとcubdlのデータセットから得られたシミュレーション画像とin-vivo超音波画像の両方の性能評価を行った。
その結果,他の(教師なし)超音波除音法 (nlm, obnlm) よりも定量的, 質的に優れていた。
関連論文リスト
- Ultrasound Imaging based on the Variance of a Diffusion Restoration Model [7.360352432782388]
本稿では, 線形直列モデルと学習に基づく先行モデルを組み合わせたハイブリッド再構成手法を提案する。
我々は,高品質な画像再構成を実現するための分散イメージング手法の有効性を実証し,合成,in-vitro,in-vivoデータの実験を行った。
論文 参考訳(メタデータ) (2024-03-22T16:10:38Z) - Noise Level Adaptive Diffusion Model for Robust Reconstruction of
Accelerated MRI [35.65325713990205]
実世界のMRIは、熱ゆらぎによる固有のノイズを既に含んでいる。
一般的なシナリオは、既存の拡散モデルに基づく再構築手法の準最適性能や完全な失敗につながる可能性がある。
そこで本研究では,Nila-DC (NoIse Level Adaptive Data Consistency) を用いた後方サンプリング手法を提案する。
論文 参考訳(メタデータ) (2024-03-08T12:07:18Z) - Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and
Dynamic PROPELLER MRI [76.60362295758596]
磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。
本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
論文 参考訳(メタデータ) (2023-11-22T05:44:51Z) - Denoising Simulated Low-Field MRI (70mT) using Denoising Autoencoders
(DAE) and Cycle-Consistent Generative Adversarial Networks (Cycle-GAN) [68.8204255655161]
高磁場, 高分解能, 高信号-雑音比 (SNR) 磁気共鳴イメージング (MRI) 画像を得るために, GAN (Cycle Consistent Generative Adversarial Network) が実装されている。
Denoising Autoencoder(DAE)とCycle-GANをペアとアンペアのケースで訓練するために画像が使用された。
この研究は、古典的DAEを上回り、低磁場MRI画像を改善することができ、画像ペアを必要としない生成的ディープラーニングモデルの使用を実証する。
論文 参考訳(メタデータ) (2023-07-12T00:01:00Z) - 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) - Deep Ultrasound Denoising Using Diffusion Probabilistic Models [5.828784149537374]
従来のデノナイジング法は、しばしばスペックルを除去するが、これは放射線科医や定量的な超音波検査にも有用である。
本稿では,近年のDenoising Diffusion Probabilistic Models (DDPM) に基づく手法を提案する。
スペックルテクスチャを保ちながらノイズを除去し、画像品質を反復的に向上させる。
論文 参考訳(メタデータ) (2023-06-12T21:53:32Z) - DDM$^2$: Self-Supervised Diffusion MRI Denoising with Generative
Diffusion Models [0.3149883354098941]
本稿では,拡散復号化生成モデルを用いたMRIの自己教師付き復号化手法を提案する。
本フレームワークは,統計に基づくデノナイジング理論を拡散モデルに統合し,条件付き生成によるデノナイジングを行う。
論文 参考訳(メタデータ) (2023-02-06T18:56:39Z) - 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) - 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) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳(メタデータ) (2021-02-25T14:52:23Z) - 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)
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。