論文の概要: Phase Unwrapping of Color Doppler Echocardiography using Deep Learning
- arxiv url: http://arxiv.org/abs/2306.13695v2
- Date: Wed, 5 Jul 2023 17:03:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 20:04:44.269252
- Title: Phase Unwrapping of Color Doppler Echocardiography using Deep Learning
- Title（参考訳）: 深層学習を用いたカラードプラ心エコー図の位相アンラッピング
- Authors: Hang Jung Ling, Olivier Bernard, Nicolas Ducros, Damien Garcia
- Abstract要約: 我々は,カラードプラ心エコー画像の切り離しを行うために,展開した原始双対ネットワークを開発した。
nnU-Netモデルと変換器モデルに基づく2つの最先端セグメンテーション手法との比較を行った。
以上の結果から,カラードプラ法による心エコー画像のエイリアス化を効果的に除去できることが示唆された。
- 参考スコア（独自算出の注目度）: 1.3534683694551501
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Color Doppler echocardiography is a widely used non-invasive imaging modality
that provides real-time information about the intracardiac blood flow. In an
apical long-axis view of the left ventricle, color Doppler is subject to phase
wrapping, or aliasing, especially during cardiac filling and ejection. When
setting up quantitative methods based on color Doppler, it is necessary to
correct this wrapping artifact. We developed an unfolded primal-dual network to
unwrap (dealias) color Doppler echocardiographic images and compared its
effectiveness against two state-of-the-art segmentation approaches based on
nnU-Net and transformer models. We trained and evaluated the performance of
each method on an in-house dataset and found that the nnU-Net-based method
provided the best dealiased results, followed by the primal-dual approach and
the transformer-based technique. Noteworthy, the primal-dual network, which had
significantly fewer trainable parameters, performed competitively with respect
to the other two methods, demonstrating the high potential of deep unfolding
methods. Our results suggest that deep learning-based methods can effectively
remove aliasing artifacts in color Doppler echocardiographic images,
outperforming DeAN, a state-of-the-art semi-automatic technique. Overall, our
results show that deep learning-based methods have the potential to effectively
preprocess color Doppler images for downstream quantitative analysis.
- Abstract（参考訳）: カラードプラ心エコー法(color doppler echocardiography)は、心内血流に関するリアルタイム情報を提供する非侵襲的画像法である。
左心室の尖端長軸視では、カラードプラは、特に心臓の充填と放出の間、位相包みまたはエイリアシングを受ける。
カラードップラーによる定量的方法の設定には,このラッピングアーティファクトを補正する必要がある。
カラードプラ心エコー画像の切り離しと, nnU-Netモデルとトランスフォーマーモデルに基づく2つの最先端セグメンテーション手法の有効性を比較検討した。
そこで本研究では,nnu-netに基づく手法が最適な処理結果を提供し,その後にプライマル・デュアル・アプローチとトランスフォーマー・ベースの手法が得られた。
注目すべきは、訓練可能なパラメータが著しく少ない原始双対ネットワークは、他の2つの手法に対して競合的に実行し、深層展開法の高い可能性を示したことである。
以上の結果から,カラードプラ心エコー画像のアーティファクトを効果的に除去する深層学習手法が,最先端の半自動技術であるDeANより優れていることが示唆された。
総じて,深層学習に基づく手法は,下流の定量的解析にカラードップラー像を効果的に前処理できる可能性が示唆された。
関連論文リスト
- Explicit Differentiable Slicing and Global Deformation for Cardiac Mesh Reconstruction [8.730291904586656]
医用画像からの心臓解剖のメッシュ再構築は, 形状, 運動計測, 生体物理シミュレーションに有用である。
従来のボクセルベースのアプローチは、イメージの忠実さを損なう前処理と後処理に依存している。
そこで本稿では,メッシュのスライスからメッシュへの勾配バックプロパゲーションを可能にする,新しい識別可能なボキセル化とスライシング(DVS)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-09-03T17:19:31Z) - 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) - Intra-video Positive Pairs in Self-Supervised Learning for Ultrasound [65.23740556896654]
自己教師付き学習 (SSL) は, 医療画像におけるラベル付きデータの健全性に対処するための戦略である。
本研究では,同じBモード超音波映像をSSLのペアとして用いた近位画像の利用効果について検討した。
この手法は、従来の超音波特異的比較学習法の平均検査精度を新型コロナウイルスの分類で上回り、IVPP(Intra-Video Positive Pairs)と命名された。
論文 参考訳（メタデータ） (2024-03-12T14:57:57Z) - 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) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - 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) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Deep Learning Adapted Acceleration for Limited-view Photoacoustic
Computed Tomography [1.8830359888767887]
光音響計算トモグラフィ(PACT)は、PA信号検出のための超音波トランスデューサアレイでターゲットを照らすために、焦点のない大面積の光を使用する。
限定ビュー問題は、幾何学的条件の制限により、PACTの低画質の画像を引き起こす可能性がある。
数学的変動モデルとディープラーニングを組み合わせたモデルベース手法を提案する。
論文 参考訳（メタデータ） (2021-11-08T02:05:58Z) - Prediction of low-keV monochromatic images from polyenergetic CT scans
for improved automatic detection of pulmonary embolism [21.47219330040151]
我々は、従来の単エネルギーCT取得からモノE画像の生成をエミュレートできる畳み込みニューラルネットワークを訓練している。
我々は,これらの手法をマルチタスク最適化手法を用いて拡張し,改良された分類と生成結果を実現する。
論文 参考訳（メタデータ） (2021-02-02T11:42:31Z) - Self-supervised Dynamic CT Perfusion Image Denoising with Deep Neural
Networks [6.167259271197635]
ダイナミックCT(Dynamic Computed Tomography, CTP)は急性期脳梗塞の診断と評価に有望なアプローチである。
脳小葉の血行動態のパラメトリックマップは、脳内のヨウ素化コントラストの第1パスのCTスキャンから算出される。
診断の信頼性を高めるためには, 画像診断が必要であり, 繰り返しスキャンによる高放射線曝露により, 日常的用途の灌流量を削減する必要がある。
論文 参考訳（メタデータ） (2020-05-19T21:44:07Z)
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。