論文の概要: Lateral Strain Imaging using Self-supervised and Physically Inspired
Constraints in Unsupervised Regularized Elastography
- arxiv url: http://arxiv.org/abs/2212.08740v1
- Date: Fri, 16 Dec 2022 22:29:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 18:36:03.069504
- Title: Lateral Strain Imaging using Self-supervised and Physically Inspired
Constraints in Unsupervised Regularized Elastography
- Title（参考訳）: 無監督正常エラストグラフィにおける自己監督的および身体刺激的制約を用いた側方ストレインイメージング
- Authors: Ali K. Z. Tehrani, Md Ashikuzzaman, and Hassan Rivaz
- Abstract要約: 超音波エラストグラフィー(USE)における畳み込みニューラルネットワーク(CNN)による変位推定の有望な結果を示している
本稿では, Hooke の法則にインスパイアされた非教師付き正規化エラストグラフィ (PICTURE) のための物理インスパイアされた ConsTraint を提案する。
次のステップでは、歪み画像推定をさらに強化する自己教師型PICTURE(sPICTURE)を提案する。
- 参考スコア（独自算出の注目度）: 3.2116198597240846
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Convolutional Neural Networks (CNN) have shown promising results for
displacement estimation in UltraSound Elastography (USE). Many modifications
have been proposed to improve the displacement estimation of CNNs for USE in
the axial direction. However, the lateral strain, which is essential in several
downstream tasks such as the inverse problem of elasticity imaging, remains a
challenge. The lateral strain estimation is complicated since the motion and
the sampling frequency in this direction are substantially lower than the axial
one, and a lack of carrier signal in this direction. In computer vision
applications, the axial and the lateral motions are independent. In contrast,
the tissue motion pattern in USE is governed by laws of physics which link the
axial and lateral displacements. In this paper, inspired by Hooke's law, we
first propose Physically Inspired ConsTraint for Unsupervised Regularized
Elastography (PICTURE), where we impose a constraint on the Effective Poisson's
ratio (EPR) to improve the lateral strain estimation. In the next step, we
propose self-supervised PICTURE (sPICTURE) to further enhance the strain image
estimation. Extensive experiments on simulation, experimental phantom and in
vivo data demonstrate that the proposed methods estimate accurate axial and
lateral strain maps.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は,UltraSound Elastography(USE)の変位推定に有望な結果を示した。
軸方向に用いるcnnの変位推定を改善するために多くの修正が提案されている。
しかし、弾性イメージングの逆問題など、下流のいくつかのタスクに不可欠な横ひずみは依然として課題である。
この方向の運動とサンプリング周波数が軸方向よりも実質的に低く、この方向の搬送信号が欠如しているため、横ひずみ推定は複雑である。
コンピュータビジョンの応用では、軸運動と横運動は独立である。
対照的に、USEの組織の動きパターンは、軸方向と横方向の変位を結びつける物理法則によって制御される。
本稿では,hookの法則に着想を得て,非教師付き正規化エラストグラフィ(画像)に対する物理的にインスパイアされた制約を提案する。
次のステップでは、歪み画像推定をさらに強化する自己教師型PICTURE(sPICTURE)を提案する。
シミュレーション, 実験ファントムおよびin vivoデータを用いた広範な実験により, 提案手法が正確な軸および横ひずみマップを推定できることが確認された。
関連論文リスト
- On the Influence of Smoothness Constraints in Computed Tomography Motion Compensation [3.5475653746630056]
本研究では,コーンビームCTのための既存の剛性運動補償アルゴリズムにおけるスプラインベース運動モデルの影響を解析する。
その結果、運動モデルの選択は、回復可能な周波数に決定的に影響を及ぼすことが示された。
最終的に、最適な動作モデルは、画像化された解剖学、臨床ユースケース、走査プロトコルに依存する。
論文 参考訳（メタデータ） (2024-05-29T13:36:16Z) - AiAReSeg: Catheter Detection and Segmentation in Interventional
Ultrasound using Transformers [75.20925220246689]
血管内手術は、電離放射線を用いてカテーテルと血管を可視化するFluoroscopyの黄金標準を用いて行われる。
本研究では、最先端機械学習トランスフォーマアーキテクチャを応用して、軸干渉超音波画像シーケンス中のカテーテルを検出し、セグメント化する手法を提案する。
論文 参考訳（メタデータ） (2023-09-25T19:34:12Z) - Deep learning network to correct axial and coronal eye motion in 3D OCT
retinal imaging [65.47834983591957]
深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。
実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
論文 参考訳（メタデータ） (2023-05-27T03:55:19Z) - NIKI: Neural Inverse Kinematics with Invertible Neural Networks for 3D
Human Pose and Shape Estimation [53.25973084799954]
両方向誤差をモデル化したNIKI(Neural Inverse Kinematics with Invertible Neural Network)を提案する。
NIKIは、非可逆ネットワークによる前処理と逆処理の両方から学習することができる。
論文 参考訳（メタデータ） (2023-05-15T12:13:24Z) - Infusing known operators in convolutional neural networks for lateral
strain imaging in ultrasound elastography [2.922007656878633]
CNNは超音波エラストグラフィーにおける変位推定に用いられている。
ポアソンの比画像と弾力性再構成に非常に必要とされる側方ひずみは、品質が劣る。
本稿では,2つの反復アルゴリズムをネットワークアーキテクチャに注入するkPICTUREを提案する。
論文 参考訳（メタデータ） (2022-10-31T22:37:19Z) - Physically Inspired Constraint for Unsupervised Regularized Ultrasound
Elastography [3.4519649635864584]
変位推定は、ほぼ全ての超音波エラストグラフィ(USE)技術の重要なステップである。
2つの主要な特徴は、一般的な光学フロー問題と比較して、このタスクをユニークなものにしている。
非教師付き正規化エラストグラフィ(PICTURE)のための物理インスパイアされたコンストラントを提案する。
論文 参考訳（メタデータ） (2022-06-05T17:45:11Z) - Orthogonal Jacobian Regularization for Unsupervised Disentanglement in
Image Generation [64.92152574895111]
直交ジャコビアン正規化法(OroJaR)を提案する。
提案手法は, 絡み合った, 制御可能な画像生成に有効であり, 最先端の手法に対して好適に機能する。
論文 参考訳（メタデータ） (2021-08-17T15:01:46Z) - LAPNet: Non-rigid Registration derived in k-space for Magnetic Resonance
Imaging [28.404584219735074]
胸部スキャン中にこのような動きを補正する動き補正技術が提案されている。
特に興味と課題は、アンダーサンプリングされた動き分解データから信頼できる非剛体運動場の導出にある。
アンダーサンプされたk空間データから高速かつ正確な非剛性登録を行う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） (2021-07-19T15:39:23Z) - SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory
Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。
具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。
可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-04-04T03:17:42Z) - Inertial Measurements for Motion Compensation in Weight-bearing
Cone-beam CT of the Knee [6.7461735822055715]
膝のCTスキャン中の不随意運動は、再建されたボリュームのアーティファクトを引き起こすため、臨床診断には使用できない。
被験者の脚に慣性測定装置(IMU)を装着し,スキャン中の運動を測定する。
論文 参考訳（メタデータ） (2020-07-09T09:26:27Z) - Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。
患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。
本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
論文 参考訳（メタデータ） (2020-06-18T09:49:11Z)
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。