論文の概要: Deep Coherence Learning: An Unsupervised Deep Beamformer for High Quality Single Plane Wave Imaging in Medical Ultrasound

• arxiv url: http://arxiv.org/abs/2311.11169v1
• Date: Sat, 18 Nov 2023 21:08:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 10:22:47.831911
• Title: Deep Coherence Learning: An Unsupervised Deep Beamformer for High Quality Single Plane Wave Imaging in Medical Ultrasound
• Title（参考訳）: 深部コヒーレンス学習:医用超音波による高品質単一平面波イメージングのための教師なし深部ビームフォーマ
• Authors: Hyunwoo Cho, Seongjun Park, Jinbum Kang, Yangmo Yoo
• Abstract要約: 超音波における平面波イメージング(PWI)は,高いフレームレートと新しい臨床応用を有する重要な再構成法である。 近年,深層学習(DL)に基づく単一PWIが研究され,複数送信による従来のPWIのフレームレートの低下を克服している。 適切な地上の真理画像がないため、DLベースのPWIは依然として性能改善に苦慮している。
• 参考スコア（独自算出の注目度）: 1.345977710890196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plane wave imaging (PWI) in medical ultrasound is becoming an important reconstruction method with high frame rates and new clinical applications. Recently, single PWI based on deep learning (DL) has been studied to overcome lowered frame rates of traditional PWI with multiple PW transmissions. However, due to the lack of appropriate ground truth images, DL-based PWI still remains challenging for performance improvements. To address this issue, in this paper, we propose a new unsupervised learning approach, i.e., deep coherence learning (DCL)-based DL beamformer (DL-DCL), for high-quality single PWI. In DL-DCL, the DL network is trained to predict highly correlated signals with a unique loss function from a set of PW data, and the trained DL model encourages high-quality PWI from low-quality single PW data. In addition, the DL-DCL framework based on complex baseband signals enables a universal beamformer. To assess the performance of DL-DCL, simulation, phantom and in vivo studies were conducted with public datasets, and it was compared with traditional beamformers (i.e., DAS with 75-PWs and DMAS with 1-PW) and other DL-based methods (i.e., supervised learning approach with 1-PW and generative adversarial network (GAN) with 1-PW). From the experiments, the proposed DL-DCL showed comparable results with DMAS with 1-PW and DAS with 75-PWs in spatial resolution, and it outperformed all comparison methods in contrast resolution. These results demonstrated that the proposed unsupervised learning approach can address the inherent limitations of traditional PWIs based on DL, and it also showed great potential in clinical settings with minimal artifacts.
• Abstract（参考訳）: 超音波の平面波イメージング(PWI)は高いフレームレートと新しい臨床応用で重要な再構成法になりつつある。 近年,複数のPW伝送による従来のPWIのフレームレート低下を克服するために,DLに基づく単一PWIが研究されている。 しかし、適切な基底真理画像がないため、DLベースのPWIは依然として性能改善に挑戦している。 そこで本研究では,DCL(Deep Coherence Learning)に基づくDLビームフォーマ (DL-DCL) を用いた,高品質なシングルPWIのための新しい教師なし学習手法を提案する。 DL-DCLにおいて、DLネットワークは、一連のPWデータから一意の損失関数を持つ高相関信号を予測するように訓練され、訓練されたDLモデルは、低品質の単一PWデータから高品質なPWIを促進する。 さらに、複雑なベースバンド信号に基づくDL-DCLフレームワークは、ユニバーサルビームフォーマを実現する。 DL-DCLの性能を評価するため, シミュレーション, ファントムおよび生体内実験を公開データセットを用いて実施し, 従来のビームフォーマ(DAS, 75-PW, DMAS, 1-PW) および他のDLベース手法(1-PWによる教師あり学習手法, 1-PWによるGAN)と比較した。 実験の結果, dl-dclは1-pwのdmasと75-pwのdasに匹敵する空間分解能を示し, コントラスト分解能のすべての比較法を上回った。 これらの結果から,非教師なし学習アプローチは,DLに基づく従来のPWIの限界に対処できることを示すとともに,最小限のアーティファクトを持つ臨床環境においても大きな可能性を示した。

関連論文リスト

• Training Physics-Driven Deep Learning Reconstruction without Raw Data Access for Equitable Fast MRI [2.512491726995032]
  物理駆動型ディープラーニング(PD-DL)アプローチは、高速磁気共鳴画像(MRI)スキャンの再構築に人気がある。 PD-DLは、既存の高速MRI技術と比較して加速率が高いが、特定のMRIセンター以外での使用は限られている。 それらの展開の障害の1つは、トレーニングセットでよく表現されていない病理や集団への一般化の難しさである。 CUPIDは、生のk空間データアクセスを必要とするよく確立されたPD-DLトレーニング戦略と同じような品質を実現する。
  論文  参考訳（メタデータ） (2024-11-20T03:53:41Z)
• Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
  非視線画像(NLOS)は、その潜在的な応用により注目されている。 既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。 本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2024-09-21T04:39:45Z)
• PTPI-DL-ROMs: pre-trained physics-informed deep learning-based reduced order models for nonlinear parametrized PDEs [0.6827423171182154]
  本稿では,物理インフォームメントによるPOD-DL-ROMの大幅な拡張について考察する。 まず,POD-DL-ROMをトランクネットアーキテクチャで補完し,空間領域内の各点における問題の解を計算する能力を付与する。 特に、利用可能な数少ないデータを活用して、低コストの事前学習手順を開発する。
  論文  参考訳（メタデータ） (2024-05-14T12:46:12Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Deep Learning and Image Super-Resolution-Guided Beam and Power Allocation for mmWave Networks [80.37827344656048]
  我々は,ミリ波(mmWave)ネットワークのためのディープラーニング(DL)誘導ハイブリッドビームとパワーアロケーションアプローチを開発した。 教師付き学習と超解像技術の相乗効果を利用して、低オーバヘッドビームとパワーアロケーションを実現する。
  論文  参考訳（メタデータ） (2023-05-08T05:40:54Z)
• Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
  GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。 近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。 本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T18:13:45Z)
• Two-Stage Self-Supervised Cycle-Consistency Network for Reconstruction of Thin-Slice MR Images [62.4428833931443]
  太いスライス磁気共鳴(MR)画像は、しばしば冠状および矢状視で構造的にぼやけている。 深層学習は、これらの低分解能(LR)症例から高分解能(HR)薄膜MR画像を再構築する大きな可能性を示している。 MRスライス再構成のための2段階自己監督型サイクル一貫性ネットワーク(TSCNet)を提案する。
  論文  参考訳（メタデータ） (2021-06-29T13:29:18Z)
• Random Fourier Feature Based Deep Learning for Wireless Communications [18.534006003020828]
  本稿では,RFFに基づく深層学習の有効性を解析的に定量化する。 新しい分散依存RFFが提案され、トレーニングの複雑さの低いDLアーキテクチャが促進される。 提案したすべてのシミュレーションにおいて,提案した分布依存型RFFはRFFよりも有意に優れていた。
  論文  参考訳（メタデータ） (2021-01-13T18:39:36Z)
• Performance of Dual-Augmented Lagrangian Method and Common Spatial Patterns applied in classification of Motor-Imagery BCI [68.8204255655161]
  運動画像に基づく脳-コンピュータインタフェース(MI-BCI)は、神経リハビリテーションのための画期的な技術になる可能性がある。 使用する脳波信号のノイズの性質のため、信頼性の高いBCIシステムは特徴の最適化と抽出のために特別な手順を必要とする。
  論文  参考訳（メタデータ） (2020-10-13T20:50:13Z)
• ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
  ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。 セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。 このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
  論文  参考訳（メタデータ） (2020-05-11T16:29:12Z)

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。