論文の概要: Unsupervised Deformable Image Registration for Respiratory Motion Compensation in Ultrasound Images

• arxiv url: http://arxiv.org/abs/2306.13332v1
• Date: Fri, 23 Jun 2023 07:24:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-26 13:24:37.791106
• Title: Unsupervised Deformable Image Registration for Respiratory Motion Compensation in Ultrasound Images
• Title（参考訳）: 超音波画像における呼吸運動補償のための教師なし変形画像登録
• Authors: FNU Abhimanyu, Andrew L. Orekhov, John Galeotti, Howie Choset
• Abstract要約: 超音波画像の変形可能な登録のための新しいディープラーニングモデルを提案する。 我々はU-RAFTを用いて、超音波画像の連続したピクセルの追跡を行い、肺超音波画像の呼吸運動をキャンセルする。
• 参考スコア（独自算出の注目度）: 16.98402201559947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present a novel deep-learning model for deformable registration of ultrasound images and an unsupervised approach to training this model. Our network employs recurrent all-pairs field transforms (RAFT) and a spatial transformer network (STN) to generate displacement fields at online rates (apprx. 30 Hz) and accurately track pixel movement. We call our approach unsupervised recurrent all-pairs field transforms (U-RAFT). In this work, we use U-RAFT to track pixels in a sequence of ultrasound images to cancel out respiratory motion in lung ultrasound images. We demonstrate our method on in-vivo porcine lung videos. We show a reduction of 76% in average pixel movement in the porcine dataset using respiratory motion compensation strategy. We believe U-RAFT is a promising tool for compensating different kinds of motions like respiration and heartbeat in ultrasound images of deformable tissue.
• Abstract（参考訳）: 本稿では,超音波画像の変形可能な登録のための新しいディープラーニングモデルと,このモデルの教師なし学習手法を提案する。 我々のネットワークは、全対フィールド変換(RAFT)と空間トランスフォーマーネットワーク(STN)を用いて、オンラインレート(約30Hz)で変位場を生成し、ピクセルの動きを正確に追跡する。 本手法は,U-RAFT (unsupervised recurrent all-pairs field transforms) と呼ぶ。 本研究では,U-RAFTを用いて超音波画像の連続したピクセルの追跡を行い,肺超音波画像の呼吸運動をキャンセルする。 本手法をin-vivo porcine lung videoで実証する。 呼吸運動補償戦略を用いて,ブタのデータセットの平均ピクセル移動量は76%減少した。 U-RAFTは、変形可能な組織の超音波画像において呼吸や心拍などの様々な動きを補償するための有望なツールであると考えています。

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)
• 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)
• 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)
• Unsupervised Deformable Ultrasound Image Registration and Its Application for Vessel Segmentation [15.547037901315404]
  本稿では,U-RAFTと呼ぶオンラインレートでの超音波画像の変形可能な登録のためのディープラーニングモデルを提案する。 U-RAFTは教師なしで訓練でき、血管分割モデルの訓練のための合成画像を生成することができる。 また,U-RAFTからの合成デフォルメ画像は,血管分割モデルのデータ拡張手法として利用できることを示した。
  論文  参考訳（メタデータ） (2023-06-23T07:10:57Z)
• 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)
• DopUS-Net: Quality-Aware Robotic Ultrasound Imaging based on Doppler Signal [48.97719097435527]
  DopUS-Netはドップラー画像とBモード画像を組み合わせることで、小血管のセグメンテーション精度と堅牢性を高める。 動脈再同定モジュールは、リアルタイムセグメンテーション結果を質的に評価し、拡張ドップラー画像に対するプローブポーズを自動的に最適化する。
  論文  参考訳（メタデータ） (2023-05-15T18:19:29Z)
• REGAS: REspiratory-GAted Synthesis of Views for Multi-Phase CBCT Reconstruction from a single 3D CBCT Acquisition [75.64791080418162]
  REGASは、アンダーサンプドトモグラフィビューを合成し、再構成画像中のアーティファクトのエイリアスを緩和する自己教師手法を提案する。 高解像度4Dデータ上でのディープニューラルネットワークの大規模なメモリコストに対処するため、REGASは分散して微分可能なフォワードプロジェクションを可能にする新しいレイパス変換(RPT)を導入した。
  論文  参考訳（メタデータ） (2022-08-17T03:42:19Z)
• Deep Learning for Ultrasound Beamforming [120.12255978513912]
  受信した超音波エコーを空間画像領域にマッピングするビームフォーミングは、超音波画像形成チェーンの心臓に位置する。 現代の超音波イメージングは、強力なデジタル受信チャネル処理の革新に大きく依存している。 ディープラーニング手法は、デジタルビームフォーミングパイプラインにおいて魅力的な役割を果たす。
  論文  参考訳（メタデータ） (2021-09-23T15:15:21Z)
• 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)
• A deep learning pipeline for identification of motor units in musculoskeletal ultrasound [0.5249805590164902]
  超高速超音波を用いて個々のMUの機械的応答を記録・解析できることが示されている。 本稿では,超音波画像系列のアクティブMUを特定するための方法として,深層学習パイプラインを提案する。 複雑なアクティベーションパターンと重なり合う領域を模倣したシミュレーションデータを用いてモデルを評価する。
  論文  参考訳（メタデータ） (2020-09-23T20:44:29Z)

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。