論文の概要: Deep Learning for Ultrasound Speed-of-Sound Reconstruction: Impacts of
Training Data Diversity on Stability and Robustness
- arxiv url: http://arxiv.org/abs/2202.01208v1
- Date: Tue, 1 Feb 2022 11:09:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-05 05:40:02.186435
- Title: Deep Learning for Ultrasound Speed-of-Sound Reconstruction: Impacts of
Training Data Diversity on Stability and Robustness
- Title（参考訳）: 超音波音速再構成のための深層学習:訓練データの多様性が安定性とロバスト性に及ぼす影響
- Authors: Farnaz Khun Jush, Markus Biele, Peter M. Dueppenbecker, Andreas Maier
- Abstract要約: 近年の研究では、ディープニューラルネットワークを用いた音速再構成の可能性が確認されている。
トレーニングデータの多様性がネットワークの堅牢性に与える影響について検討した。
実験では,データセットの組によるネットワークのトレーニングにより,予測された音速の安定性が向上することを示した。
- 参考スコア（独自算出の注目度）: 7.909848251752742
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ultrasound b-mode imaging is a qualitative approach and diagnostic quality
strongly depends on operators' training and experience. Quantitative approaches
can provide information about tissue properties; therefore, can be used for
identifying various tissue types, e.g., speed-of-sound in the tissue can be
used as a biomarker for tissue malignancy, especially in breast imaging. Recent
studies showed the possibility of speed-of-sound reconstruction using deep
neural networks that are fully trained on simulated data. However, because of
the ever present domain shift between simulated and measured data, the
stability and performance of these models in real setups are still under
debate. In this study, we investigated the impacts of training data diversity
on the robustness of these networks by using multiple kinds of geometrical and
natural simulated phantom structures. On the simulated data, we investigated
the performance of the networks on out-of-domain echogenicity, geometries, and
in the presence of noise. We further inspected the stability of employing such
tissue modeling in a real data acquisition setup. We demonstrated that training
the network with a joint set of datasets including both geometrical and natural
tissue models improves the stability of the predicted speed-of-sound values
both on simulated and measured data.
- Abstract（参考訳）: 超音波bモードイメージングは質的なアプローチであり、診断品質はオペレータのトレーニングと経験に強く依存する。
定量的なアプローチは、組織特性に関する情報を提供することができるため、組織中の音速などの様々な組織タイプを識別するために、特に乳房イメージングにおいて、組織悪性のバイオマーカーとして使用できる。
最近の研究では、シミュレーションデータに基づいて完全に訓練されたディープニューラルネットワークを用いた音速再構成の可能性を示した。
しかし、シミュレーションデータと測定データの間の領域シフトが続いているため、実際のセットアップにおけるこれらのモデルの安定性と性能はまだ議論中である。
本研究では,複数種類の幾何学的および自然シミュレーションファントム構造を用いて,トレーニングデータの多様性がネットワークの堅牢性に与える影響を検討した。
シミュレーションデータを用いて,ドメイン外エコー発生,ジオメトリ,ノイズの存在下でのネットワークの性能について検討した。
さらに, 実際のデータ取得装置における組織モデリングの安定性について検討した。
幾何および自然組織モデルを含むデータセットの合同でネットワークを訓練することで,シミュレーションデータと計測データの両方で予測される音速の安定性が向上することを示した。
関連論文リスト
- InVAErt networks for amortized inference and identifiability analysis of lumped parameter hemodynamic models [0.0]
本研究では、ニューラルネットワークをベースとしたデータ駆動型フレームワークであるinVAErtネットワークを用いて、剛体力学系のディジタル双対解析を強化する。
InVAErtネットワークの柔軟性と有効性について,合成データから欠落成分を含む実データへの6成分ループ型パラメータ血行動態モデルの生理的逆転の文脈で示す。
論文 参考訳（メタデータ） (2024-08-15T17:07:40Z) - Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。
この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。
提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
論文 参考訳（メタデータ） (2024-07-26T10:29:16Z) - Advancing fNIRS Neuroimaging through Synthetic Data Generation and Machine Learning Applications [0.0]
本研究では,機能的近赤外分光法(fNIRS)の神経イメージングへの統合的アプローチを提案する。
高品質なニューロイメージングデータセットの不足に対処することにより、モンテカルロシミュレーションとパラメトリックヘッドモデルを利用して総合的な合成データセットを生成する。
スケーラブルなデータ生成と処理のためにクラウドベースのインフラストラクチャが確立され、ニューロイメージングデータのアクセシビリティと品質が向上する。
論文 参考訳（メタデータ） (2024-05-18T09:50:19Z) - Physics-informed Neural Network Estimation of Material Properties in Soft Tissue Nonlinear Biomechanical Models [2.8763745263714005]
物理インフォームドニューラルネットワーク(PINN)と3次元軟組織非線形生体力学モデルを組み合わせた新しいアプローチを提案する。
提案した学習アルゴリズムは、限られた量の変位から情報を符号化し、場合によっては、臨床環境で日常的に取得できる歪みデータを符号化する。
提案手法の精度とロバスト性を示すために,いくつかのベンチマークを行った。
論文 参考訳（メタデータ） (2023-12-15T13:41:20Z) - Persistence-based operators in machine learning [62.997667081978825]
永続性に基づくニューラルネットワークレイヤのクラスを導入します。
永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
論文 参考訳（メタデータ） (2022-12-28T18:03:41Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-27T20:53:39Z) - 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) - Physical model simulator-trained neural network for computational 3D
phase imaging of multiple-scattering samples [1.112751058850223]
サンプルコントラストを均質化する新しいモデルベースデータ正規化前処理法を開発した。
上皮扁平上皮細胞およびCaenorhabditis elegans wormsの実験的測定におけるこのフレームワークの能力を示す。
論文 参考訳（メタデータ） (2021-03-29T17:43:56Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。