論文の概要: Speckle2Speckle: Unsupervised Learning of Ultrasound Speckle Filtering
Without Clean Data
- arxiv url: http://arxiv.org/abs/2208.00402v1
- Date: Sun, 31 Jul 2022 09:17:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-02 13:23:52.500671
- Title: Speckle2Speckle: Unsupervised Learning of Ultrasound Speckle Filtering
Without Clean Data
- Title（参考訳）: Speckle2Speckle: クリーンデータのない超音波スペックルフィルタの教師なし学習
- Authors: R\"udiger G\"obl, Christoph Hennersperger, Nassir Navab
- Abstract要約: 超音波画像では、組織の均質領域の出現はスペックルの対象となる。
従来のフィルタリング技術の多くは手作りであり、しばしば現在のハードウェア、撮像方式、アプリケーションに微調整する必要がある。
本稿では,これらの制約を伴わない深層学習に基づくスペックル除去手法を提案する。
- 参考スコア（独自算出の注目度）: 48.81200490360736
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In ultrasound imaging the appearance of homogeneous regions of tissue is
subject to speckle, which for certain applications can make the detection of
tissue irregularities difficult. To cope with this, it is common practice to
apply speckle reduction filters to the images. Most conventional filtering
techniques are fairly hand-crafted and often need to be finely tuned to the
present hardware, imaging scheme and application. Learning based techniques on
the other hand suffer from the need for a target image for training (in case of
fully supervised techniques) or require narrow, complex physics-based models of
the speckle appearance that might not apply in all cases. With this work we
propose a deep-learning based method for speckle removal without these
limitations. To enable this, we make use of realistic ultrasound simulation
techniques that allow for instantiation of several independent speckle
realizations that represent the exact same tissue, thus allowing for the
application of image reconstruction techniques that work with pairs of
differently corrupted data. Compared to two other state-of-the-art approaches
(non-local means and the Optimized Bayesian non-local means filter) our method
performs favorably in qualitative comparisons and quantitative evaluation,
despite being trained on simulations alone, and is several orders of magnitude
faster.
- Abstract（参考訳）: 超音波イメージングでは、組織の均質領域の出現はスペックルの対象となり、特定の用途のために組織不規則性の検出を困難にすることができる。
これに対処するために,スペックル低減フィルタを画像に適用することが一般的である。
従来のフィルタリング技術の多くは手作りであり、しばしば現在のハードウェア、撮像方式、アプリケーションに微調整する必要がある。
一方、学習ベースの技術は、(完全に監督された技術の場合)訓練のためのターゲットイメージを必要とするか、あるいは全てのケースで適用できないスペックルの外観の、狭く複雑な物理ベースのモデルを必要とする。
本研究では,これらの制約を伴わない深層学習に基づくスペックル除去手法を提案する。
これを実現するために,本手法では,同じ組織を表す複数の独立したスペックル実現を実現するための現実的な超音波シミュレーション技術を用いて,異なる劣化したデータのペアを扱う画像再構成技術の適用を可能にする。
他の2つの最先端手法(非局所的手法と最適化ベイズ非局所的フィルタ)と比較して、シミュレーションだけで訓練されているにもかかわらず、定性的比較と定量的評価が良好であり、桁違いに高速である。
関連論文リスト
- Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。
実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文 参考訳（メタデータ） (2024-08-28T10:07:17Z) - Speckle Noise Reduction in Ultrasound Images using Denoising
Auto-encoder with Skip Connection [0.19116784879310028]
超音波画像は、しばしばスペックルノイズを含み、解像度とコントラスト-ノイズ比を下げることができる。
これにより、画像の特徴を抽出、認識、分析することがより困難になる。
研究者はいくつかのスペックル低減法を提案しているが、関連するすべての要因を考慮に入れた単一の手法は存在しない。
論文 参考訳（メタデータ） (2024-03-05T08:08:59Z) - LOTUS: Learning to Optimize Task-based US representations [39.81131738128329]
超音波画像における臓器の解剖学的セグメンテーションは多くの臨床応用に不可欠である。
既存のディープニューラルネットワークは、臨床的に許容できるパフォーマンスを達成するために、トレーニングのために大量のラベル付きデータを必要とする。
本稿では,タスクベース超音速画像表現を最適化する学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-29T16:29:39Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳（メタデータ） (2021-10-27T18:54:25Z) - A parameter refinement method for Ptychography based on Deep Learning
concepts [55.41644538483948]
伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。
最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。
我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
論文 参考訳（メタデータ） (2021-05-18T10:15:17Z) - OT-driven Multi-Domain Unsupervised Ultrasound Image Artifact Removal
using a Single CNN [36.574477281492]
超音波イメージング(US)は、様々なソースの異なる画像アーティファクトに悩まされることが多い。
我々は、単一のニューラルネットワークを使って、異なるタイプの米国のアーティファクトを処理できる、新しい、教師なしのディープラーニングアプローチを提案する。
我々のアルゴリズムは、カスケードされた確率測度に対する最適輸送(OT)理論を用いて厳密に導出される。
論文 参考訳（メタデータ） (2020-07-10T07:11:04Z) - Pushing the Limit of Unsupervised Learning for Ultrasound Image Artifact
Removal [41.10604715789614]
ディープ・ラーニング・アプローチは超音波イメージングに成功している。
本稿では, 最適輸送駆動サイクルGAN (OT-cycleGAN) を用いた教師なし学習の最近の理論に着想を得て, 教師なしディープラーニングの適用性を検討した。
論文 参考訳（メタデータ） (2020-06-26T03:21:56Z) - Learned Spectral Computed Tomography [0.0]
スペクトル光子結合型CTのためのディープラーニングイメージング法を提案する。
この方法は、ケース固有データを用いて訓練された2段階の学習された原始双対アルゴリズムの形を取る。
提案手法は, 限られたデータの場合であっても, 高速再構成機能と高速撮像性能により特徴付けられる。
論文 参考訳（メタデータ） (2020-03-09T13:39:12Z)
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。