Fugu-MT 論文翻訳(概要): Simulation-Aided Deep Learning for Laser Ultrasonic Visualization Testing

論文の概要: Simulation-Aided Deep Learning for Laser Ultrasonic Visualization Testing

arxiv url: http://arxiv.org/abs/2305.18614v1
Date: Tue, 30 May 2023 00:19:12 GMT
ステータス: 処理完了
システム内更新日: 2023-05-31 19:16:39.056718
Title: Simulation-Aided Deep Learning for Laser Ultrasonic Visualization Testing
Title（参考訳）: レーザー超音波可視化テストのためのシミュレーション支援深層学習
Authors: Miya Nakajima, Takahiro Saitoh, Tsuyoshi Kato
Abstract要約: シミュレーションにより人工LUVT画像を生成し,シミュレーションしたLUVT画像にスタイル転送を適用するデータ拡張手法を提案する。実験の結果, 形状変換によるシミュレーション画像に基づくデータ拡張の有効性は, 欠陥の予測性能を向上することがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years, laser ultrasonic visualization testing (LUVT) has attracted much attention because of its ability to efficiently perform non-contact ultrasonic non-destructive testing.Despite many success reports of deep learning based image analysis for widespread areas, attempts to apply deep learning to defect detection in LUVT images face the difficulty of preparing a large dataset of LUVT images that is too expensive to scale. To compensate for the scarcity of such training data, we propose a data augmentation method that generates artificial LUVT images by simulation and applies a style transfer to simulated LUVT images.The experimental results showed that the effectiveness of data augmentation based on the style-transformed simulated images improved the prediction performance of defects, rather than directly using the raw simulated images for data augmentation.
Abstract（参考訳）: 近年,非接触超音波非破壊検査を効率的に実施できるため,レーザー超音波可視化テスト (luvt) が注目されているが,広範にわたるディープラーニング画像解析の成功報告は少なく,luvt画像の欠陥検出にディープラーニングを適用しようとすると,スケールしすぎるluvt画像の大規模データセットの作成が困難となる。このようなトレーニングデータの不足を補うために,シミュレーションにより人工LUVT画像を生成し,シミュレーションしたLUVT画像にスタイル転送を適用したデータ拡張手法を提案する。

関連論文リスト

Denoising Plane Wave Ultrasound Images Using Diffusion Probabilistic Models [3.3463490716514177]
高フレームレート超音波イメージングは、高フレームレートイメージングを可能にする最先端技術である。高フレームレート超音波イメージングにかかわる課題の1つは、それらにかかわる高ノイズが、より広範に採用を妨げていることである。提案手法は,平面波画像の画質向上を目的としている。具体的には、低角と高角複合平面波の区別をノイズとみなす。さらに,本手法では,生成した画像の強度マップとして自然画像分割マスクを用い,解剖学的形状の精度向上を図る。
論文参考訳（メタデータ） (2024-08-20T16:31:31Z)
Learned denoising with simulated and experimental low-dose CT data [8.689987421968116]
本研究は,CT画像における雑音低減の文脈における機械学習手法,特に畳み込みニューラルネットワーク(CNN)の適用について検討する。シミュレーションノイズデータと実世界の実験ノイズデータで学習したアルゴリズムの観測性能の違いを総合的に調査するため,機械学習に大規模な2次元CTデータセットを用いた。
論文参考訳（メタデータ） (2024-08-15T12:24:22Z)
CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文参考訳（メタデータ） (2024-03-21T15:13:36Z)
Cardiac ultrasound simulation for autonomous ultrasound navigation [4.036497185262817]
本稿では,他のモーダルや任意の位置から大量の超音波画像を生成する手法を提案する。本稿では,他のモダリティからのセグメンテーション,最適化されたデータ表現,GPUによるモンテカルロ経路のトレースを用いた新しいシミュレーションパイプラインを提案する。提案手法により,患者固有の超音波画像の高速かつ正確な生成が可能となり,ナビゲーション関連タスクのためのトレーニングネットワークのユーザビリティが実証された。
論文参考訳（メタデータ） (2024-02-09T15:14:48Z)
Diffusion Reconstruction of Ultrasound Images with Informative Uncertainty [5.375425938215277]
超音波画像の品質を高めるには、コントラスト、解像度、スペックル保存といった同時的な要因のバランスを取る必要がある。拡散モデルの進歩を生かしたハイブリッドアプローチを提案する。シミュレーション,in-vitro,in-vivoデータの総合的な実験を行い,本手法の有効性を実証した。
論文参考訳（メタデータ） (2023-10-31T16:51:40Z)
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)
Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文参考訳（メタデータ） (2023-04-18T15:39:58Z)
The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
病理脳病変は脳画像に多彩な外観を示す。正規データのみを用いた教師なし異常検出手法が提案されている。空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
論文参考訳（メタデータ） (2023-01-19T21:39:38Z)
OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文参考訳（メタデータ） (2022-06-17T08:11:26Z)
An Ultra-Fast Method for Simulation of Realistic Ultrasound Images [5.629161809575013]
フーリエ変換を用いた超高速超音波画像シミュレーション手法を提案する。本研究では,提案手法により生成された画像を用いたデータ拡張が,Dice類似度係数でフィールドIIを大幅に上回ることを示す。
論文参考訳（メタデータ） (2021-09-21T05:03:41Z)
FD-GAN: Generative Adversarial Networks with Fusion-discriminator for Single Image Dehazing [48.65974971543703]
画像デハージングのためのFusion-Discriminator (FD-GAN) を用いた完全エンドツーエンドのジェネレータネットワークを提案する。我々のモデルは、より自然でリアルなデハズド画像を生成することができ、色歪みは少なく、アーティファクトも少ない。実験により, 提案手法は, 公開合成データセットと実世界の画像の両方において, 最先端の性能に達することが示された。
論文参考訳（メタデータ） (2020-01-20T04:36:11Z)

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。