論文の概要: Ultrasound Signal Processing: From Models to Deep Learning

• arxiv url: http://arxiv.org/abs/2204.04466v2
• Date: Wed, 20 Sep 2023 11:20:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-22 01:06:59.189190
• Title: Ultrasound Signal Processing: From Models to Deep Learning
• Title（参考訳）: 超音波信号処理:モデルからディープラーニングへ
• Authors: Ben Luijten, Nishith Chennakeshava, Yonina C. Eldar, Massimo Mischi, Ruud J.G. van Sloun
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 64.56774869055826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical ultrasound imaging relies heavily on high-quality signal processing to provide reliable and interpretable image reconstructions. Conventionally, reconstruction algorithms where derived from physical principles. These algorithms rely on assumptions and approximations of the underlying measurement model, limiting image quality in settings were these assumptions break down. Conversely, more sophisticated solutions based on statistical modelling, careful parameter tuning, or through increased model complexity, can be sensitive to different environments. Recently, deep learning based methods, which are optimized in a data-driven fashion, have gained popularity. These model-agnostic techniques often rely on generic model structures, and require vast training data to converge to a robust solution. A relatively new paradigm combines the power of the two: leveraging data-driven deep learning, as well as exploiting domain knowledge. These model-based solutions yield high robustness, and require less parameters and training data than conventional neural networks. In this work we provide an overview of these techniques from recent literature, and discuss a wide variety of ultrasound applications. We aim to inspire the reader to further research in this area, and to address the opportunities within the field of ultrasound signal processing. We conclude with a future perspective on model-based deep learning techniques for medical ultrasound.
• Abstract（参考訳）: 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。 伝統的に、物理原理から派生した再構成アルゴリズム。 これらのアルゴリズムは、基礎となる測定モデルの仮定と近似に依存しており、これらの仮定が崩壊すると、設定における画質が制限される。 逆に、統計モデリング、慎重なパラメータチューニング、あるいはモデル複雑性の増大に基づくより洗練されたソリューションは、異なる環境に敏感である。 近年,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。 これらのモデルに依存しない手法は、しばしば一般的なモデル構造に依存し、堅牢な解に収束するために広大なトレーニングデータを必要とする。 比較的新しいパラダイムは、データ駆動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つの力を組み合わせたものです。 これらのモデルベースのソリューションは高い堅牢性をもたらし、従来のニューラルネットワークよりもパラメータやトレーニングデータが少ない。 本稿では,これらの技術の概要を最近の文献から紹介し,様々な超音波応用について論じる。 我々は,この領域のさらなる研究を読者に促し,超音波信号処理の分野における機会に対処することを目的としている。 医用超音波のモデルベース深層学習技術に関する今後の展望を述べる。

関連論文リスト

• Deep and shallow data science for multi-scale optical neuroscience [8.21292084298669]
  生物学的な情報を抽出する必要性を満たす計算手法が開発されている。 これらのアルゴリズムは、例えば、最先端の機械学習を使用して、与えられたスケールの詳細を最大限に学習することができる。 ここでは,アルゴリズム設計における限界とトレードオフについて論じる。
  論文  参考訳（メタデータ） (2024-02-13T21:30:44Z)
• Diffusion Reconstruction of Ultrasound Images with Informative Uncertainty [5.375425938215277]
  超音波画像の品質を高めるには、コントラスト、解像度、スペックル保存といった同時的な要因のバランスを取る必要がある。 拡散モデルの進歩を生かしたハイブリッドアプローチを提案する。 シミュレーション,in-vitro,in-vivoデータの総合的な実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-10-31T16:51:40Z)
• PINQI: An End-to-End Physics-Informed Approach to Learned Quantitative MRI Reconstruction [0.7199733380797579]
  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)
• Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
  決定アルゴリズムは様々なアプリケーションで使われている。 数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。 モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
  論文  参考訳（メタデータ） (2022-05-05T13:40:08Z)
• Deep Learning for Ultrasound Beamforming [120.12255978513912]
  受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。 現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。 ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
  論文  参考訳（メタデータ） (2021-09-23T15:15:21Z)
• Improving a neural network model by explanation-guided training for glioma classification based on MRI data [0.0]
  解釈可能性の手法は、ディープラーニングモデルの意思決定プロセスに関する洞察を得るための一般的な方法となっている。 本稿では,LRP(Layer-wise Relevance propagation)技術を用いた説明誘導学習手法を提案する。 我々は,低次・高次グリオーマ分類問題に対する畳み込みニューラルネットワーク(CNN)モデルについて実験的に検証した。
  論文  参考訳（メタデータ） (2021-07-05T13:27:28Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
  機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。 しかし、現在臨床応用はごくわずかである。 異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
  論文  参考訳（メタデータ） (2020-10-14T16:34:21Z)
• Sampling for Deep Learning Model Diagnosis (Technical Report) [5.8057675678464555]
  ディープニューラルネットワークのブラックボックスの性質は、医学的診断などの応用における採用の障壁である。 我々は,これらのモデルデバッグクエリに対して,近似的だが正確な結果を生成する新しいデータサンプリング手法を開発した。 本手法は,1つの標準的なコンピュータビジョンと1つの科学的データセットで評価し,クエリの精度において,サンプリング手法が様々な最先端の代替技術より優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-22T19:24:16Z)

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。