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

• Graph Neural Networks for modelling breast biomechanical compression [0.08192907805418582]
  3次元モダリティからマンモグラフィーなどのX線治療への正確な画像登録には乳房圧迫シミュレーションが不可欠である。 圧縮による組織形状と位置の変化を考慮し、正確なアライメントを確保し、分析を改善している。 有限要素解析(FEA)は軟組織変形の近似に信頼性があり、精度と計算効率のバランスをとるのに苦労する。 近年の研究では、組織変形予測を高速化するために、FAAの結果に基づいて訓練されたデータ駆動モデルを用いている。 胸部圧迫シミュレーションのための物理ベースのグラフニューラルネットワーク(PhysGNN)を提案する。
  論文  参考訳（メタデータ） (2024-11-10T20:59:23Z)
• 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。