論文の概要: Deep Estimation of Speckle Statistics Parametric Images

• arxiv url: http://arxiv.org/abs/2206.04145v1
• Date: Wed, 8 Jun 2022 20:16:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-10 13:27:35.481587
• Title: Deep Estimation of Speckle Statistics Parametric Images
• Title（参考訳）: スペックル統計パラメトリック画像の深い推定
• Authors: Ali K. Z. Tehrani, Ivan M. Rosado-Mendez, and Hassan Rivaz
• Abstract要約: 定量的超音波(QUS)は、組織の性質に関する重要な情報を提供する。 QUSパラメトリック画像は、パッチ内ではいくつかの独立したサンプルしか利用できないため、誤検出が可能である。 本稿では,畳み込みニューラルネットワーク(CNN)に基づくQUSパラメトリック画像をパッチなしで推定する手法を提案する。
• 参考スコア（独自算出の注目度）: 2.599882743586164
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Quantitative Ultrasound (QUS) provides important information about the tissue properties. QUS parametric image can be formed by dividing the envelope data into small overlapping patches and computing different speckle statistics such as parameters of the Nakagami and Homodyned K-distributions (HK-distribution). The calculated QUS parametric images can be erroneous since only a few independent samples are available inside the patches. Another challenge is that the envelope samples inside the patch are assumed to come from the same distribution, an assumption that is often violated given that the tissue is usually not homogenous. In this paper, we propose a method based on Convolutional Neural Networks (CNN) to estimate QUS parametric images without patching. We construct a large dataset sampled from the HK-distribution, having regions with random shapes and QUS parameter values. We then use a well-known network to estimate QUS parameters in a multi-task learning fashion. Our results confirm that the proposed method is able to reduce errors and improve border definition in QUS parametric images.
• Abstract（参考訳）: 定量的超音波(qus)は組織特性に関する重要な情報を提供する。 QUSパラメトリック画像は、封筒データを小さな重なり合うパッチに分割し、中上およびホモディネートK分布(HK分布)のパラメータなどの異なるスペックル統計を演算することで形成することができる。 計算されたQUSパラメトリック画像は、パッチ内にはいくつかの独立したサンプルしか存在しないため、誤検出が可能である。 もう1つの課題は、パッチ内の封筒サンプルが同じ分布に由来すると仮定されていることである。 本稿では,畳み込みニューラルネットワーク(CNN)を用いたQUSパラメトリック画像をパッチなしで推定する手法を提案する。 hk-distributionからサンプリングされた大きなデータセットを構築し、ランダムな形状とqusパラメータの領域を持つ。 次に、よく知られたネットワークを用いて、マルチタスク学習方式でQUSパラメータを推定する。 提案手法は,QUSパラメトリック画像の誤差を低減し,境界定義を改善することができることを確認した。

関連論文リスト

• Scalable Bayesian uncertainty quantification with data-driven priors for radio interferometric imaging [5.678038945350452]
  次世代の電波干渉計は、前例のない角分解能と感度のおかげで、科学的発見を解き放つ可能性がある。 潜在的な可能性を解き放つ鍵の1つは、受信データの希薄さと複雑さを扱うことである。 本研究では,ラジオインターフェロメトリイメージングにおける不確実性定量化に対処するQuantifAIという手法を提案する。
  論文  参考訳（メタデータ） (2023-11-30T19:00:02Z)
• Uncertainty Quantification via Neural Posterior Principal Components [26.26693707762823]
  不確実性定量化は、画像復元モデルの安全クリティカルドメインへの展開に不可欠である。 本稿では,入力画像の後方分布のPCをニューラルネットワークの単一前方通過で予測する手法を提案する。 提案手法は, インスタンス適応型不確実性方向を確実に伝達し, 後部サンプリングに匹敵する不確実性定量化を実現する。
  論文  参考訳（メタデータ） (2023-09-27T09:51:29Z)
• Masked Images Are Counterfactual Samples for Robust Fine-tuning [77.82348472169335]
  微調整の深層学習モデルは、分布内(ID)性能と分布外(OOD)堅牢性の間のトレードオフにつながる可能性がある。 そこで本研究では,マスク付き画像を対物サンプルとして用いて,ファインチューニングモデルのロバスト性を向上させる新しいファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-06T11:51:28Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• Homodyned K-distribution: parameter estimation and uncertainty quantification using Bayesian neural networks [2.599882743586164]
  Homodyned K-distribution (HK-distribution) のパラメータは、様々な散乱条件下で包絡データをモデル化できるスペックル統計である。 我々は,HK分布のパラメータを推定し,推定器の不確かさを定量化するためにベイズニューラルネットワーク(BNN)を提案する。
  論文  参考訳（メタデータ） (2022-10-31T22:38:33Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• Robust Scatterer Number Density Segmentation of Ultrasound Images [2.599882743586164]
  定量的超音波(QUS)は、臨床スキャナーからの後方散乱エコー信号を用いて組織組織に関する情報を明らかにすることを目的としている。 散乱器数密度は、他のQUSパラメータの推定に影響を与える重要な特性である。 セグメンテーションタスクには畳み込みニューラルネットワーク(CNN)を用い、異なるデータセット上でネットワークをテストした場合のドメインシフトの影響について検討する。
  論文  参考訳（メタデータ） (2022-01-16T22:08:47Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• 3D Human Pose and Shape Regression with Pyramidal Mesh Alignment Feedback Loop [128.07841893637337]
  回帰に基づく手法は最近、単眼画像からヒトのメッシュを再構成する有望な結果を示した。 パラメータの小さな偏差は、推定メッシュと画像のエビデンスの間に顕著な不一致を引き起こす可能性がある。 本稿では,特徴ピラミッドを活用し,予測パラメータを補正するために,ピラミッドメッシュアライメントフィードバック(pymaf)ループを提案する。
  論文  参考訳（メタデータ） (2021-03-30T17:07:49Z)
• Ultrasound Scatterer Density Classification Using Convolutional Neural Networks by Exploiting Patch Statistics [3.93098730337656]
  定量的超音波(QUS)は散乱体密度などの組織特性に関する重要な情報を明らかにすることができる。 分解能セルあたりの散乱体密度は、フル開発スペックル(FDS)または低密度散乱体(LDS)と見なされる 本稿では,QUSのための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案し,シミュレーションデータを用いて学習する。
  論文  参考訳（メタデータ） (2020-12-04T17:36:57Z)
• Permuted AdaIN: Reducing the Bias Towards Global Statistics in Image Classification [97.81205777897043]
  近年の研究では、畳み込みニューラルネットワーク分類器は形状を犠牲にしてテクスチャを過度に依存していることが示されている。 一方、形状と局所像の区別は類似しているが異なるが、一方、グローバル画像統計は異なる。 提案手法は,pAdaIN (Permuted Adaptive Instance Normalization) と呼ばれ,画像分類器の隠蔽層におけるグローバル統計の表現を減少させる。
  論文  参考訳（メタデータ） (2020-10-09T16:38:38Z)

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。