論文の概要: AutoSpeed: A Linked Autoencoder Approach for Pulse-Echo Speed-of-Sound
Imaging for Medical Ultrasound
- arxiv url: http://arxiv.org/abs/2207.02392v1
- Date: Mon, 4 Jul 2022 21:27:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-08 08:14:28.447967
- Title: AutoSpeed: A Linked Autoencoder Approach for Pulse-Echo Speed-of-Sound
Imaging for Medical Ultrasound
- Title（参考訳）: AutoSpeed:超音波超音波のパルスエコー速度計測のためのリンクオートエンコーダアプローチ
- Authors: Farnaz Khun Jush, Markus Biele, Peter M. Dueppenbecker, Andreas Maier
- Abstract要約: リンクされたオートエンコーダを用いてSoSマッピングが可能であることを示す。
提案手法はシミュレーションデータに対して平均絶対パーセンテージ誤差(MAPE)が2.39%である。
エンド・ツー・エンドのトレーニングネットワークと比較すると,高い安定性と安定性を示す。
- 参考スコア（独自算出の注目度）: 7.909848251752742
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantitative ultrasound, e.g., speed-of-sound (SoS) in tissues, provides
information about tissue properties that have diagnostic value. Recent studies
showed the possibility of extracting SoS information from pulse-echo ultrasound
raw data (a.k.a. RF data) using deep neural networks that are fully trained on
simulated data. These methods take sensor domain data, i.e., RF data, as input
and train a network in an end-to-end fashion to learn the implicit mapping
between the RF data domain and SoS domain. However, such networks are prone to
overfitting to simulated data which results in poor performance and instability
when tested on measured data. We propose a novel method for SoS mapping
employing learned representations from two linked autoencoders. We test our
approach on simulated and measured data acquired from human breast mimicking
phantoms. We show that SoS mapping is possible using linked autoencoders. The
proposed method has a Mean Absolute Percentage Error (MAPE) of 2.39% on the
simulated data. On the measured data, the predictions of the proposed method
are close to the expected values with MAPE of 1.1%. Compared to an end-to-end
trained network, the proposed method shows higher stability and
reproducibility.
- Abstract（参考訳）: 定量的超音波、例えば、組織内の音速(SoS)は、診断値を持つ組織特性に関する情報を提供する。
近年の研究では、シミュレーションデータで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て、パルスエコー超音波原データ(RFデータ)からSoS情報を抽出できる可能性が示されている。
これらの方法は、RFデータ(RFデータ)を入力として取り、エンドツーエンドでネットワークを訓練し、RFデータドメインとSoSドメインの間の暗黙のマッピングを学ぶ。
しかし、そのようなネットワークは、測定データ上でテストした場合、性能や不安定性が低下するシミュレーションデータに過度に適合する傾向にある。
2つのリンクされたオートエンコーダからの学習表現を用いたsosマッピング手法を提案する。
人間の乳房から得られたファントムを模倣したシミュレーションおよび計測データを用いて実験を行った。
リンクオートエンコーダを用いてSoSマッピングが可能であることを示す。
提案手法はシミュレーションデータに対して平均絶対パーセンテージ誤差(MAPE)が2.39%である。
その結果,提案手法の予測値はMAPE 1.1%の予測値に近いことがわかった。
エンド・ツー・エンドのトレーニングネットワークと比較して,提案手法は高い安定性と再現性を示す。
関連論文リスト
- Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Complex-valued neural networks for voice anti-spoofing [1.1510009152620668]
現在のアンチスプーフィングおよびオーディオディープフェイク検出システムは、CQTやメルスペクトログラムのような等級スペクトルベースの特徴または畳み込みやシンク層によって処理される生オーディオを使用する。
本稿では,複雑な数値ニューラルネットワークを用いて入力音声を処理することにより,両手法の利点を組み合わせた新しい手法を提案する。
その結果、この手法は"In-the-Wild"アンチスプーフィングデータセットの従来の手法よりも優れており、説明可能なAIによる結果の解釈を可能にしていることがわかった。
論文 参考訳（メタデータ） (2023-08-22T21:49:38Z) - Deep Learning-based Multi-Organ CT Segmentation with Adversarial Data
Augmentation [3.8371505627869955]
Adversarial Feature Attack for Medical Image (AFA-MI) の強化により、セグメントネットワークはアウト・オブ・ディストリビューション統計を学習せざるを得なくなった。
実験は心臓、左右の腎臓、肝臓、左右の肺、脊髄、胃を分断する。
論文 参考訳（メタデータ） (2023-02-25T21:42:00Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - Object recognition for robotics from tactile time series data utilising
different neural network architectures [0.0]
本稿では,コンボリューショナルニューラルネットワーク(CNN)とLong-Short Term Memory(LSTM)ニューラルネットワークアーキテクチャを用いて,触覚データに基づくオブジェクト分類を行う。
我々は,2種類の指先センサ(BioTac SPとWTS-FT)のデータを用いて,これらの手法を比較した。
提案手法は,全時系列データを用いた最大精度を82.4% (BioTac SP fingertips) と90.7% (WTS-FT fingertips) から約94% に改善した。
論文 参考訳（メタデータ） (2021-09-09T22:05:45Z) - AxonNet: A self-supervised Deep Neural Network for Intravoxel Structure
Estimation from DW-MRI [0.12183405753834559]
ニューラルネットワーク(DNN)が拡散強調信号から情報を抽出し,脳幹を再構築する可能性を示唆する。
2つのDNNモデルを提示する:1つはボキセルの形で軸索構造を推定し、もう1つは中央ボキセルの構造を計算する。
論文 参考訳（メタデータ） (2021-03-19T20:11:03Z) - Fast accuracy estimation of deep learning based multi-class musical
source separation [79.10962538141445]
本稿では,ニューラルネットワークのトレーニングやチューニングを行うことなく,任意のデータセットにおける楽器の分離性を評価する手法を提案する。
理想的な比マスクを持つオラクルの原理に基づいて、我々の手法は最先端のディープラーニング手法の分離性能を推定するための優れたプロキシである。
論文 参考訳（メタデータ） (2020-10-19T13:05:08Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Towards Improved Human Action Recognition Using Convolutional Neural
Networks and Multimodal Fusion of Depth and Inertial Sensor Data [1.52292571922932]
本稿では,深度と慣性センサデータの融合によるヒューマンアクション認識(HAR)の精度向上を試みる。
我々は、深度データを逐次フロントビューイメージ(SFI)に変換し、これらの画像上でトレーニング済みのAlexNetを微調整する。
慣性データを信号画像(SI)に変換し、これらの画像上で別の畳み込みニューラルネットワーク(CNN)を訓練する。
論文 参考訳（メタデータ） (2020-08-22T03:41:34Z)
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。