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/2202.01208v2
- Date: Mon, 8 May 2023 22:53:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-10 16:53:39.699485
- 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: 共生画像に基づくデータ生成のトレーニングのための新しいシミュレーション手法を提案する。
異なるシミュレーションパラメータに対するトレーニングネットワークの感度について検討した。
実験の結果,データ集合を用いてトレーニングしたネットワークは,測定されたファントムデータだけでなく,ドメイン外のシミュレーションデータでもより安定であることがわかった。
- 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 prior works, for training data generation, tissue structures were
modeled as simplified geometrical structures which does not reflect the
complexity of the real tissues. In this study, we proposed a new simulation
setup for training data generation based on Tomosynthesis images. We combined
our approach with the simplified geometrical model and investigated the impacts
of training data diversity on the stability and robustness of an existing
network architecture. We studied the sensitivity of the trained network to
different simulation parameters, e.g., echogenicity, number of scatterers,
noise, and geometry. We showed that the network trained with the joint set of
data is more stable on out-of-domain simulated data as well as measured phantom
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。
データ生成のトレーニングにおいて、組織構造は、実際の組織の複雑さを反映しない単純な幾何学的構造としてモデル化された。
本研究では,結合合成画像に基づくデータ生成訓練のための新しいシミュレーション設定を提案する。
提案手法と簡易な幾何モデルを組み合わせることで,既存のネットワークアーキテクチャの安定性と堅牢性に対するトレーニングデータの多様性の影響を検討した。
実験では, エコー生成性, 散乱器数, ノイズ量, 形状など, 異なるシミュレーションパラメータに対するネットワークの感度について検討した。
その結果,共同データで学習したネットワークは,実測ファントムデータと同様にドメイン外シミュレーションデータでより安定であることが判明した。
関連論文リスト
- Physics-informed Neural Network Estimation of Material Properties in
Soft Tissue Nonlinear Biomechanical Models [3.000260570199229]
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) - A robust synthetic data generation framework for machine learning in
High-Resolution Transmission Electron Microscopy (HRTEM) [1.0923877073891446]
Construction Zoneは、複雑なナノスケール原子構造を高速に生成するためのPythonパッケージである。
ニューラルネットワークをトレーニングするための大規模なシミュレーションデータベースを作成するためのエンドツーエンドワークフローを開発する。
この結果から, ナノ粒子のHRTEM画像に対して, 最先端のセグメンテーション性能を実現することができた。
論文 参考訳(メタデータ) (2023-09-12T10:44:15Z) - PINQI: An End-to-End Physics-Informed Approach to Learned Quantitative
MRI Reconstruction [1.5515877763861814]
定量的磁気共鳴イメージング(qMRI)は、生体物理パラメータの再現可能な測定を可能にする。
この課題は、取得した生データから所望の組織パラメーターマップを得るために、非線形で不適切な逆問題を解決することである。
我々は、信号、取得モデルに関する知識を統合した新しいqMRI再構成手法であるPINQIを提案し、単一エンドツーエンドのトレーニング可能なニューラルネットワークへの正規化を学習した。
論文 参考訳(メタデータ) (2023-06-19T15:37:53Z) - 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) - 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) - 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。