論文の概要: Super-Resolved Microbubble Localization in Single-Channel Ultrasound RF Signals Using Deep Learning

• arxiv url: http://arxiv.org/abs/2204.04537v1
• Date: Sat, 9 Apr 2022 19:57:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-12 18:12:02.398693
• Title: Super-Resolved Microbubble Localization in Single-Channel Ultrasound RF Signals Using Deep Learning
• Title（参考訳）: 深層学習による単一チャネル超音波rf信号の超解像マイクロバブル局在
• Authors: Nathan Blanken, Jelmer M. Wolterink, Herv\'e Delingette, Christoph Brune, Michel Versluis, Guillaume Lajoinie
• Abstract要約: 1次元拡張畳み込みニューラルネットワーク(CNN)を用いた単一チャネル電波周波数(RF)信号の直接デコンボリューションに基づく別の超解像手法を提案する。 この研究は、単分散マイクロバブルの高密度雲の深部イメージングのための低周波超音波(1.7MHz)に焦点を当てている(測定体積で最大1000マイクロバブル)。 ネットワークは、分類損失と回帰損失の両方の要素を特徴とする新しい二重損失関数で訓練され、出力の検出-局所化特性が改善される。
• 参考スコア（独自算出の注目度）: 3.714592704933424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, super-resolution ultrasound imaging with ultrasound localization microscopy (ULM) has received much attention. However, ULM relies on low concentrations of microbubbles in the blood vessels, ultimately resulting in long acquisition times. Here, we present an alternative super-resolution approach, based on direct deconvolution of single-channel ultrasound radio-frequency (RF) signals with a one-dimensional dilated convolutional neural network (CNN). This work focuses on low-frequency ultrasound (1.7 MHz) for deep imaging (10 cm) of a dense cloud of monodisperse microbubbles (up to 1000 microbubbles in the measurement volume, corresponding to an average echo overlap of 94%). Data are generated with a simulator that uses a large range of acoustic pressures (5-250 kPa) and captures the full, nonlinear response of resonant, lipid-coated microbubbles. The network is trained with a novel dual-loss function, which features elements of both a classification loss and a regression loss and improves the detection-localization characteristics of the output. Whereas imposing a localization tolerance of 0 yields poor detection metrics, imposing a localization tolerance corresponding to 4% of the wavelength yields a precision and recall of both 0.90. Furthermore, the detection improves with increasing acoustic pressure and deteriorates with increasing microbubble density. The potential of the presented approach to super-resolution ultrasound imaging is demonstrated with a delay-and-sum reconstruction with deconvolved element data. The resulting image shows an order-of-magnitude gain in axial resolution compared to a delay-and-sum reconstruction with unprocessed element data.
• Abstract（参考訳）: 近年,超音波ローカライゼーション顕微鏡(ULM)を用いた超高分解能超音波画像が注目されている。 しかし、ulmは血管内のマイクロバブルの濃度が低いため、最終的には長い獲得期間を要した。 本稿では,一次元拡張畳み込みニューラルネットワーク(cnn)を用いた単一チャネル超音波高周波(rf)信号の直接デコンボリューションに基づく新しい超解像法を提案する。 この研究は、単分散マイクロバブルの密集した雲(平均エコー重なり94%に相当する測定体積の最大1000マイクロバブル)の深部イメージングのための低周波超音波(1.7mhz)に焦点を当てている。 データは、幅広い音響圧力(5-250 kPa)を使用し、共鳴した脂質被覆マイクロバブルの完全な非線形応答をキャプチャするシミュレータで生成される。 ネットワークは、分類損失と回帰損失の両方の要素を特徴とする新しい二重損失関数で訓練され、出力の検出-局所化特性を改善する。 ローカライズ耐性を0に設定すると検出基準が低くなるが、波長の4%に対応するローカライズ耐性を付与すると、0.90の精度とリコールが得られる。 さらに、音圧の増加とともに検出が改善され、マイクロバブル密度の増加とともに劣化する。 超高分解能超音波イメージングへの提案手法のポテンシャルは、非畳み込み素子データによる遅延・サマー再構成によって示される。 得られた画像は,非処理要素データを用いた遅延・サム再構成と比較して,軸分解能が桁違いに向上することを示す。

関連論文リスト

• Evaluating Detection Thresholds: The Impact of False Positives and Negatives on Super-Resolution Ultrasound Localization Microscopy [1.912429179274357]
  本研究では, 偽陽性 (FPs) と偽陰性 (FNs) がULM画像品質に与える影響について検討した。 厳密なMB領域は検出エラーに対してより耐性があり、スパース領域は高い感度を示す。
  論文  参考訳（メタデータ） (2024-11-11T22:58:56Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• PHOCUS: Physics-Based Deconvolution for Ultrasound Resolution Enhancement [36.20701982473809]
  超音波イメージングシステムのインパルス機能はポイントスプレッド機能(PSF)と呼ばれ、画像形成過程における反射体の空間分布と結びついている。 我々は、より一般的なBモード画像を直接扱う、モデル付きPSFを用いた物理ベースのデコンボリューションプロセスを導入する。 Inlicit Neural Representations (INR) を利用することで、空間位置からそれぞれのエコー原性値への連続的なマッピングを学習し、離散化された画像空間を効果的に補償する。
  論文  参考訳（メタデータ） (2024-08-07T09:52:30Z)
• Quantum Diamond Microscope for Narrowband Magnetic Imaging with High Spatial and Spectral Resolution [1.7728122624261802]
  量子ダイヤモンド顕微鏡(QDM)は、最近開発されたマイクロスケールの空間分解能を持つ磁場の近接場イメージング技術である。 本発明の機器は、空間分解能$approx2,mathrmmu m$, field-of-view $approx300times300,mathrmmu m2$, and per-pixel sensitivity to narrowband field $sim1,$nT$$$$$Hz$-1/2$を有する。
  論文  参考訳（メタデータ） (2024-06-06T15:57:53Z)
• Unmixing Optical Signals from Undersampled Volumetric Measurements by Filtering the Pixel Latent Variables [5.74378659752939]
  遅延アンミキシング(Latent Unmixing)は、マルチスペクトルニューラルネットワークの潜在空間に帯域通過フィルタを適用する新しいアプローチである。 これは、特にアンダーサンプル分布の文脈において、個々の信号のコントリビューションのより優れた分離と定量化を可能にする。 本手法の物理実験における実用的利用を,本手法の汎用性を強調する2つの試験事例を通して紹介する。
  論文  参考訳（メタデータ） (2023-12-08T20:34:37Z)
• Learning Super-Resolution Ultrasound Localization Microscopy from Radio-Frequency Data [8.312810360920107]
  DASビームフォーミングとその制限を回避しつつ、RFデータを超高分解能ネットワークに供給することを提案する。 RFトレーニングネットワークの結果から,DASビームフォーミングを除くと,ULMの分解能性能を最適化できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-11-07T15:47:38Z)
• Toward deep-learning-assisted spectrally-resolved imaging of magnetic noise [52.77024349608834]
  本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。 これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
  論文  参考訳（メタデータ） (2022-08-01T19:18:26Z)
• 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)
• Perception Consistency Ultrasound Image Super-resolution via Self-supervised CycleGAN [63.49373689654419]
  自己スーパービジョンとサイクル生成対向ネットワーク(CycleGAN)に基づく新しい知覚整合超音波画像超解像法を提案する。 まず,検査用超音波LR画像のHR父子とLR子を画像強調により生成する。 次に、LR-SR-LRとHR-LR-SRのサイクル損失と判別器の対角特性をフル活用して、より知覚的に一貫性のあるSR結果を生成する。
  論文  参考訳（メタデータ） (2020-12-28T08:24:04Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Multifold Acceleration of Diffusion MRI via Slice-Interleaved Diffusion Encoding (SIDE) [50.65891535040752]
  本稿では,Slice-Interleaved Diffusionと呼ばれる拡散符号化方式を提案する。 SIDEは、拡散重み付き(DW)画像ボリュームを異なる拡散勾配で符号化したスライスでインターリーブする。 また,高いスライスアンサンプデータからDW画像を効果的に再構成するためのディープラーニングに基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-02-25T14:48:17Z)

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。