論文の概要: Amortized Normalizing Flows for Transcranial Ultrasound with Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2303.03478v1
• Date: Mon, 6 Mar 2023 20:13:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-08 17:21:03.160182
• Title: Amortized Normalizing Flows for Transcranial Ultrasound with Uncertainty Quantification
• Title（参考訳）: 不確実性定量化を伴う経頭蓋超音波の再生正規化流れ
• Authors: Rafael Orozco, Mathias Louboutin, Ali Siahkoohi, Gabrio Rizzuti, Tristan van Leeuwen and Felix Herrmann
• Abstract要約: 本稿では, 正常化流を利用した経頭蓋骨超音波CTによる画像の高速化のための新しい手法を提案する。 我々は、既知の超音波物理を、大きな入射観測を圧縮する目的に組み込むために、物理インフォームド・サマリー統計を利用する。
• 参考スコア（独自算出の注目度）: 1.1744028458220426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel approach to transcranial ultrasound computed tomography that utilizes normalizing flows to improve the speed of imaging and provide Bayesian uncertainty quantification. Our method combines physics-informed methods and data-driven methods to accelerate the reconstruction of the final image. We make use of a physics-informed summary statistic to incorporate the known ultrasound physics with the goal of compressing large incoming observations. This compression enables efficient training of the normalizing flow and standardizes the size of the data regardless of imaging configurations. The combinations of these methods results in fast uncertainty-aware image reconstruction that generalizes to a variety of transducer configurations. We evaluate our approach with in silico experiments and demonstrate that it can significantly improve the imaging speed while quantifying uncertainty. We validate the quality of our image reconstructions by comparing against the traditional physics-only method and also verify that our provided uncertainty is calibrated with the error.
• Abstract（参考訳）: 本稿では,画像化速度の向上に流れを利用した経頭蓋超音波断層撮影法とベイズ不確かさ定量化法を提案する。 本手法は物理インフォームド法とデータ駆動法を組み合わせて最終画像の再構成を高速化する。 我々は、既知の超音波物理を、大きな入射観測を圧縮する目的に組み込むために、物理インフォームド・サマリー統計を利用する。 この圧縮により、正規化フローの効率的なトレーニングが可能になり、画像構成に関係なく、データのサイズを標準化する。 これらの手法の組み合わせは、様々なトランスデューサ構成に一般化する高速不確実性認識画像再構成をもたらす。 本手法をシリコ実験で評価し,不確実性を定量化しながら撮像速度を大幅に改善できることを実証した。 従来の物理法との比較により画像再構成の品質を検証し,得られた不確かさが誤差で校正されていることを検証する。

関連論文リスト

• PHOCUS: Physics-Based Deconvolution for Ultrasound Resolution Enhancement [36.20701982473809]
  超音波イメージングシステムのインパルス機能はポイントスプレッド機能(PSF)と呼ばれ、画像形成過程における反射体の空間分布と結びついている。 我々は、より一般的なBモード画像を直接扱う、モデル付きPSFを用いた物理ベースのデコンボリューションプロセスを導入する。 Inlicit Neural Representations (INR) を利用することで、空間位置からそれぞれのエコー原性値への連続的なマッピングを学習し、離散化された画像空間を効果的に補償する。
  論文  参考訳（メタデータ） (2024-08-07T09:52:30Z)
• ReNoise: Real Image Inversion Through Iterative Noising [62.96073631599749]
  本研究では,操作数を増やすことなく,高い品質と操作率の逆転法を導入し,再現精度を向上する。 我々は,近年の高速化拡散モデルを含む様々なサンプリングアルゴリズムとモデルを用いて,Renoise手法の性能を評価する。
  論文  参考訳（メタデータ） (2024-03-21T17:52:08Z)
• Equivariant Bootstrapping for Uncertainty Quantification in Imaging Inverse Problems [0.24475591916185502]
  パラメトリックブートストラップアルゴリズムの等価な定式化に基づく新しい不確実性定量化手法を提案する。 提案手法は汎用的であり,任意の画像再構成手法で容易に適用可能である。 提案手法を数値実験および代替不確実性定量化戦略との比較により実証する。
  論文  参考訳（メタデータ） (2023-10-18T09:43:15Z)
• Compressive Ptychography using Deep Image and Generative Priors [9.658250977094562]
  Ptychographyは、ナノメートルスケールでサンプルの非侵襲的なイメージングを可能にする、よく確立されたコヒーレント回折イメージング技術である。 Ptychographyの最大の制限は、サンプルの機械的スキャンによる長いデータ取得時間である。 本稿では,深部画像先行と深部画像先行とを組み合わせた生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-05T02:18:26Z)
• Image-to-Image Regression with Distribution-Free Uncertainty Quantification and Applications in Imaging [88.20869695803631]
  真値を含むことが保証される各画素の周囲の不確実な間隔を導出する方法を示す。 画像から画像への回帰を3つのタスクで評価する。
  論文  参考訳（メタデータ） (2022-02-10T18:59:56Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• 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)
• Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
  本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。 本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
  論文  参考訳（メタデータ） (2021-03-01T19:19:38Z)
• Learned Block Iterative Shrinkage Thresholding Algorithm for Photothermal Super Resolution Imaging [52.42007686600479]
  深層ニューラルネットワークに展開する反復アルゴリズムを用いて,学習したブロックスパース最適化手法を提案する。 本稿では、正規化パラメータの選択を学ぶことができる学習ブロック反復収縮しきい値アルゴリズムを使用することの利点を示す。
  論文  参考訳（メタデータ） (2020-12-07T09:27:16Z)
• Quantifying Sources of Uncertainty in Deep Learning-Based Image Reconstruction [5.129343375966527]
  本稿では,学習反復画像再構成におけるアレタリックおよびエピステマティック不確かさを同時に定量化する,スケーラブルで効率的なフレームワークを提案する。 本手法は,スパークビューと制限角度データの両方を用いて,従来の計算トモグラフィーのベンチマークと競合する性能を示す。
  論文  参考訳（メタデータ） (2020-11-17T04:12:52Z)
• Training Variational Networks with Multi-Domain Simulations: Speed-of-Sound Image Reconstruction [5.47832435255656]
  変分ネットワーク(VN)は画像再構成における逆問題を最適化するための学習に基づく潜在的アプローチであることが示されている。 本稿では,従来のトランスデューサと単側組織アクセスを用いたパルスエコーSoS画像再構成問題に対するVNソリューションを初めて提示する。 提案手法とマルチソースドメイントレーニングを組み合わせることで,VNのドメイン適応能力を大幅に向上することを示す。
  論文  参考訳（メタデータ） (2020-06-25T13:32:08Z)

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。