論文の概要: Deep Kernel and Image Quality Estimators for Optimizing Robotic
Ultrasound Controller using Bayesian Optimization
- arxiv url: http://arxiv.org/abs/2310.07392v1
- Date: Wed, 11 Oct 2023 11:20:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-14 02:22:07.260370
- Title: Deep Kernel and Image Quality Estimators for Optimizing Robotic
Ultrasound Controller using Bayesian Optimization
- Title（参考訳）: ベイズ最適化を用いたロボット超音波制御器の深部カーネルと画質推定
- Authors: Deepak Raina, SH Chandrashekhara, Richard Voyles, Juan Wachs, Subir
Kumar Saha
- Abstract要約: 自律型ロボット超音波(Autonomous Robotic Ultrasound, A-RUS)は、ソノグラフィーの作業量を削減するための手作業の代替手段である。
A-RUSの鍵となる課題は、異なる患者にまたがる関心領域の超音波画像品質を最適化することである。
これは解剖学、誤差源の認識、正確なプローブの位置、向き、圧力の知識を必要とする。
- 参考スコア（独自算出の注目度）: 2.0971479389679337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ultrasound is a commonly used medical imaging modality that requires expert
sonographers to manually maneuver the ultrasound probe based on the acquired
image. Autonomous Robotic Ultrasound (A-RUS) is an appealing alternative to
this manual procedure in order to reduce sonographers' workload. The key
challenge to A-RUS is optimizing the ultrasound image quality for the region of
interest across different patients. This requires knowledge of anatomy,
recognition of error sources and precise probe position, orientation and
pressure. Sample efficiency is important while optimizing these parameters
associated with the robotized probe controller. Bayesian Optimization (BO), a
sample-efficient optimization framework, has recently been applied to optimize
the 2D motion of the probe. Nevertheless, further improvements are needed to
improve the sample efficiency for high-dimensional control of the probe. We aim
to overcome this problem by using a neural network to learn a low-dimensional
kernel in BO, termed as Deep Kernel (DK). The neural network of DK is trained
using probe and image data acquired during the procedure. The two image quality
estimators are proposed that use a deep convolution neural network and provide
real-time feedback to the BO. We validated our framework using these two
feedback functions on three urinary bladder phantoms. We obtained over 50%
increase in sample efficiency for 6D control of the robotized probe.
Furthermore, our results indicate that this performance enhancement in BO is
independent of the specific training dataset, demonstrating inter-patient
adaptability.
- Abstract（参考訳）: 超音波は、専門家のソノグラフィーが取得した画像に基づいて超音波プローブを手動で操作する必要がある、一般的に用いられる医用画像モダリティである。
自律型ロボット超音波(a-rus)は、超音波撮影者の作業負荷を減らすため、この手作業の代替手段として魅力的である。
A-RUSの鍵となる課題は、異なる患者にまたがる関心領域の超音波画像品質を最適化することである。
これは解剖学、誤差源の認識、正確なプローブの位置、向き、圧力の知識を必要とする。
ロボット化されたプローブコントローラに関連するパラメータを最適化しながら、サンプル効率が重要である。
サンプル効率最適化フレームワークであるベイズ最適化(BO)が最近,プローブの2次元運動の最適化に応用されている。
それでもプローブの高次元制御における試料効率の向上にはさらなる改良が必要である。
本稿では,ニューラルネットワークを用いてboの低次元カーネル(deep kernel (dk))を学習することにより,この問題を克服することを目的とする。
dkのニューラルネットワークは、手順中に取得したプローブおよび画像データを用いて訓練される。
深部畳み込みニューラルネットワークを用いてBOにリアルタイムフィードバックを提供する2つの画像品質推定器を提案する。
これら2つのフィードバック関数を3つの膀胱ファントムで検証した。
ロボット化プローブの6次元制御のための試料効率は50%以上向上した。
さらに,boにおけるこのパフォーマンス向上は,特定のトレーニングデータセットとは無関係であり,患者間の適応性を示している。
関連論文リスト
- 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) - RUSOpt: Robotic UltraSound Probe Normalization with Bayesian
Optimization for In-plane and Out-plane Scanning [4.420121239028863]
超音波画像の品質管理において,ロボットプローブの適切な配向が重要な役割を担っている。
走査面上の接触点に対する超音波プローブの向きを自動的に調整する試料効率向上手法を提案する。
論文 参考訳（メタデータ） (2023-10-05T09:22:16Z) - 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) - LOTUS: Learning to Optimize Task-based US representations [39.81131738128329]
超音波画像における臓器の解剖学的セグメンテーションは多くの臨床応用に不可欠である。
既存のディープニューラルネットワークは、臨床的に許容できるパフォーマンスを達成するために、トレーニングのために大量のラベル付きデータを必要とする。
本稿では,タスクベース超音速画像表現を最適化する学習手法を提案する。
論文 参考訳（メタデータ） (2023-07-29T16:29:39Z) - 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) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - COVID-Net US-X: Enhanced Deep Neural Network for Detection of COVID-19
Patient Cases from Convex Ultrasound Imaging Through Extended Linear-Convex
Ultrasound Augmentation Learning [75.74756992992147]
世界人口は新型コロナウイルス(COVID-19)のパンデミックの影響で大きな影響を受け続けている。
医療用ポイント・オブ・ケア・超音波(POCUS)画像は、低コストで有効な画像モダリティとして利用されてきている。
POCUSを使用した新型コロナウイルススクリーニングのためのディープニューラルネットワークを構築する上での大きな課題は、使用するプローブの種類だ。
論文 参考訳（メタデータ） (2022-04-29T02:13:39Z) - Optimization of Residual Convolutional Neural Network for
Electrocardiogram Classification [0.9281671380673306]
本稿では,2段階のリカレント1次元畳み込みニューラルネットワークモデル(R-1D-CNN)を提案する。
第1段階では、残留畳み込み層と1次元畳み込みニューラルネットワーク層をトレーニングし、患者固有の心電図の特徴を学習する。
2番目のレベルは自動であり、提案アルゴリズムに基づくBOに基づいている。
論文 参考訳（メタデータ） (2021-12-11T16:52:23Z) - 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)
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。