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
- Simultaneous q-Space Sampling Optimization and Reconstruction for Fast
and High-fidelity Diffusion Magnetic Resonance Imaging [13.002583920505579]
我々は,q空間サンプリング最適化と再構成の同時フレームワークであるSSORを提案する。
我々は、球面調和関数の連続表現と再構成ネットワークを用いて、q空間サンプルのサブセットを共同で最適化する。
拡散磁気共鳴イメージング(dMRI)のユニークな特性を,$l1$-normと全変分正規化を適用して,q領域と画像領域の両方に集積する。
論文 参考訳(メタデータ) (2024-01-03T10:47:20Z) - 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) - Theoretical framework for real time sub-micron depth monitoring using
quantum inline coherent imaging [55.2480439325792]
インラインコヒーレントイメージング(ICI)は、キーホール溶接、添加物製造、マイクロ加工など、様々なレーザプロセスのリアルタイム監視のための信頼性の高い手法である。
軸方向分解能は2m以上に限定されており、ICIはサブミクロンプロセスの監視には適さない。
量子光コヒーレンス・トモグラフィ(Q OCT)の進歩は、1m以上の奥行き分解能を達成してこの問題に対処する可能性がある。
論文 参考訳(メタデータ) (2023-09-17T17:05:21Z) - Fluctuation-based deconvolution in fluorescence microscopy using
plug-and-play denoisers [2.236663830879273]
蛍光顕微鏡で得られた生きた試料の画像の空間分解能は、可視光の回折により物理的に制限される。
この制限を克服するために、いくつかのデコンボリューションと超解像技術が提案されている。
論文 参考訳(メタデータ) (2023-03-20T15:43:52Z) - 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) - FastHyMix: Fast and Parameter-free Hyperspectral Image Mixed Noise
Removal [20.043152870504738]
本稿では,高速かつパラメータフリーなハイパースペクトル画像混合ノイズ除去法(FastHyMix)を提案する。
これは、スペクトル領域における低ランク性と空間領域における高相関性という、ハイパースペクトルデータの2つの主要な特徴を利用する。
提案手法は,サブスペース表現とHSIの相関を利用して,より強力な深度画像を追加することで低ランク化を実現する。
論文 参考訳(メタデータ) (2021-09-18T08:35:45Z) - 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) - CNN-Based Image Reconstruction Method for Ultrafast Ultrasound Imaging [9.659642285903418]
超高速超音波(US)は、フルビューフレームを1kHz以上で取得できるバイオメディカルイメージングに革命をもたらした。
強い回折アーチファクトに悩まされ、主に格子状葉、サイドローブ、エッジウェーブによって引き起こされる。
本稿では,2段階の畳み込みニューラルネットワーク(CNN)を用いた画像再構成手法を提案する。
論文 参考訳(メタデータ) (2020-08-28T17:15:37Z) - 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。