論文の概要: Learning-based Framework for US Signals Super-resolution
- arxiv url: http://arxiv.org/abs/2305.01510v1
- Date: Mon, 17 Apr 2023 15:17:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-07 16:03:18.097150
- Title: Learning-based Framework for US Signals Super-resolution
- Title（参考訳）: us信号超解像のための学習ベースフレームワーク
- Authors: Simone Cammarasana, Paolo Nicolardi, Giuseppe Patan\`e
- Abstract要約: 得られた低解像度画像を視覚的手法でアップサンプリングする。
次に、アップサンプリングの品質を改善するために、学習ベースのモデルをトレーニングします。
提案手法を2次元ビデオの空間超解像に適用する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a novel deep-learning framework for super-resolution ultrasound
images and videos in terms of spatial resolution and line reconstruction. We
up-sample the acquired low-resolution image through a vision-based
interpolation method; then, we train a learning-based model to improve the
quality of the up-sampling. We qualitatively and quantitatively test our model
on different anatomical districts (e.g., cardiac, obstetric) images and with
different up-sampling resolutions (i.e., 2X, 4X). Our method improves the PSNR
median value with respect to SOTA methods of $1.7\%$ on obstetric 2X raw
images, $6.1\%$ on cardiac 2X raw images, and $4.4\%$ on abdominal raw 4X
images; it also improves the number of pixels with a low prediction error of
$9.0\%$ on obstetric 4X raw images, $5.2\%$ on cardiac 4X raw images, and
$6.2\%$ on abdominal 4X raw images.
The proposed method is then applied to the spatial super-resolution of 2D
videos, by optimising the sampling of lines acquired by the probe in terms of
the acquisition frequency. Our method specialises trained networks to predict
the high-resolution target through the design of the network architecture and
the loss function, taking into account the anatomical district and the
up-sampling factor and exploiting a large ultrasound data set. The use of deep
learning on large data sets overcomes the limitations of vision-based
algorithms that are general and do not encode the characteristics of the data.
Furthermore, the data set can be enriched with images selected by medical
experts to further specialise the individual networks. Through learning and
high-performance computing, our super-resolution is specialised to different
anatomical districts by training multiple networks. Furthermore, the
computational demand is shifted to centralised hardware resources with a
real-time execution of the network's prediction on local devices.
- Abstract（参考訳）: 本稿では,超高解像度超音波画像とビデオの空間分解能と線再構成の観点から,新しいディープラーニングフレームワークを提案する。
得られた低解像度画像を視覚ベースの補間法によりアップサンプリングし、アップサンプリングの品質を向上させるために学習ベースモデルを訓練する。
我々は, 異なる解剖学的領域(例えば, 心臓, 産婦人科)と異なるアップサンプリング解像度(2X, 4X)で, 定性的かつ定量的にモデルを検証した。
本手法は,腹腔内2xraw画像に対して$.7\%$,心室2xraw画像に$6.1\%$,腹腔内4xraw画像に$4.4\%のpsnr中央値を改善するとともに,肥満4xraw画像では$9.0\%$,心室4xraw画像では$5.2\%,腹部4xraw画像では$6.2\%の画素数も改善する。
提案手法は2d映像の空間的超解像に適用し,取得周波数の観点でプローブが取得したラインのサンプリングを最適化する。
本手法は,ネットワークアーキテクチャと損失関数を設計し,解剖学的領域とアップサンプリング係数を考慮し,大規模な超音波データセットを活用することにより,高分解能ターゲットを予測する訓練ネットワークを専門とする。
大規模データセットにおけるディープラーニングの利用は、一般的にデータの特徴を符号化しない視覚ベースのアルゴリズムの限界を克服する。
さらに、データセットには医療専門家が選択した画像が組み込まれ、個々のネットワークをさらに専門化することができる。
学習と高性能コンピューティングを通じて、我々は複数のネットワークをトレーニングすることで、異なる解剖学領域に特化しています。
さらに、計算要求は、ローカルデバイス上でネットワークの予測をリアルタイムに実行することで、集中型ハードウェアリソースにシフトする。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - 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) - Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial [8.393536317952085]
ニュージーランドの臨床試験において,PCCT画像の半減量と2倍の速度で再現する深層学習に基づくアプローチを提案する。
本稿では,GPUメモリの制限を緩和するパッチベースのボリュームリファインメントネットワーク,合成データを用いたトレーニングネットワーク,およびモデルベースの反復リファインメントを用いて,合成データと実世界のギャップを埋める。
論文 参考訳（メタデータ） (2024-03-19T00:07:48Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳（メタデータ） (2023-05-30T14:25:55Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Multimodal-Boost: Multimodal Medical Image Super-Resolution using
Multi-Attention Network with Wavelet Transform [5.416279158834623]
対応する画像分解能の喪失は、医用画像診断の全体的な性能を低下させる。
ディープラーニングベースのシングルイメージスーパーレゾリューション(SISR)アルゴリズムは、全体的な診断フレームワークに革命をもたらした。
本研究は,低周波データから高頻度情報を学習する深層マルチアテンションモジュールを用いたGAN(Generative Adversarial Network)を提案する。
論文 参考訳（メタデータ） (2021-10-22T10:13:46Z) - Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。
本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-09-18T00:21:17Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - Binary segmentation of medical images using implicit spline
representations and deep learning [1.5293427903448025]
本稿では,暗黙のスプライン表現と深層畳み込みニューラルネットワークを組み合わせた画像分割手法を提案する。
当社のベストネットワークでは、Diceの平均ボリュームテストスコアが92%近くに達し、この先天性心疾患データセットの最先端に達しています。
論文 参考訳（メタデータ） (2021-02-25T10:04:25Z) - Joint-SRVDNet: Joint Super Resolution and Vehicle Detection Network [17.57284924547865]
車両の識別・高分解能画像を生成するための統合超解像・車両検出ネットワーク(Joint-SRVDNet)を提案する。
空中画像はMsGAN(Multiscale Generative Adversarial Network)を用いて4倍の係数でアップスケールされる。
ネットワークは、ターゲットの階層的特徴と識別的特徴を共同で学習し、最適な超解像結果を生成する。
論文 参考訳（メタデータ） (2020-05-03T04:28:44Z) - Convolutional Neural Networks with Intermediate Loss for 3D
Super-Resolution of CT and MRI Scans [25.089517950882527]
3次元CTやMRIの単一画像超解像へのアプローチを提案する。
提案手法は,10層からなる深層畳み込みニューラルネットワーク(CNN)に基づく。
2つのデータベースからのCTとMRIの2次元および3次元超解像の文脈において,本手法の評価を行った。
論文 参考訳（メタデータ） (2020-01-05T23:21:40Z)
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。