論文の概要: Optimization of Array Encoding for Ultrasound Imaging

• arxiv url: http://arxiv.org/abs/2403.00289v1
• Date: Fri, 1 Mar 2024 05:19:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 18:04:55.075685
• Title: Optimization of Array Encoding for Ultrasound Imaging
• Title（参考訳）: 超音波イメージングのためのアレイ符号化の最適化
• Authors: Jacob Spainhour, Korben Smart, Stephen Becker, Nick Bottenus
• Abstract要約: 我々は機械学習(ML)を用いて、高品質なBモード画像を生成する、時間遅延とアポッド化重みによってパラメータ化されたスキャンシーケンスを構築する。 これらの結果は,ワイヤターゲットと組織模倣ファントムで実験的に実証された。
• 参考スコア（独自算出の注目度）: 2.5749138817029835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objective: The transmit encoding model for synthetic aperture imaging is a robust and flexible framework for understanding the effect of acoustic transmission on ultrasound image reconstruction. Our objective is to use machine learning (ML) to construct scanning sequences, parameterized by time delays and apodization weights, that produce high quality B-mode images. Approach: We use an ML model in PyTorch and simulated RF data from Field II to probe the space of possible encoding sequences for those that minimize a loss function that describes image quality. This approach is made computationally feasible by a novel formulation of the derivative for delay-and-sum beamforming. We demonstrate these results experimentally on wire targets and a tissue-mimicking phantom. Main Results: When trained according to a given set of imaging parameters (imaging domain, hardware restrictions), our ML imaging model produces optimized encoding sequences that improve a number of standard quality metrics including resolution, field of view, and contrast, over conventional sequences. Significance: This work demonstrates that the set of encoding schemes that are commonly used represent only a narrow subset of those available. Additionally, it demonstrates the value for ML tasks in synthetic transmit aperture imaging to consider the beamformer within the model, instead of as purely post-processing.
• Abstract（参考訳）: 目的: 合成開口画像の伝送符号化モデルは, 超音波画像再構成における音響透過の影響を理解するための頑健で柔軟な枠組みである。 本研究の目的は、機械学習(ml)を用いて、高画質のbモード画像を生成する時間遅延と脚化重みによってパラメータ化される走査シーケンスを構築することである。 アプローチ:PyTorchのMLモデルを用いてフィールドIIからのRFデータをシミュレートし,画像品質を記述する損失関数を最小限に抑えた符号化シーケンスの空間を探索する。 このアプローチは、遅延およびサマービームフォーミングのための微分の新規な定式化によって計算可能となる。 これらの結果は,ワイヤターゲットと組織模倣ファントムで実験的に実証された。 主な結果: 所定の撮像パラメータ(画像領域、ハードウェア制限)に従ってトレーニングされた場合、mlイメージングモデルは、従来のシーケンスよりも解像度、視野、コントラストなど、多くの標準品質指標を改善する最適化されたエンコーディングシーケンスを生成します。 意義: この研究は、一般的に使用される符号化スキームの集合が利用可能な部分集合の狭い部分集合のみを表すことを示している。 さらに、モデル内のビームフォーマーを純粋に後処理ではなく、合成透過開口イメージングにおけるMLタスクの価値を示す。

関連論文リスト

• Efficient One-Step Diffusion Refinement for Snapshot Compressive Imaging [8.819370643243012]
  Coded Aperture Snapshot Spectral Imaging (CASSI)は3次元マルチスペクトル画像(MSI)を撮影するための重要な技術である 現在の最先端の手法は、主にエンドツーエンドであり、高周波の詳細を再構築する際の制限に直面している。 本稿では,Snapshot Compressive Imagingのための自己教師型適応フレームワークにおいて,新しい1段階拡散確率モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-11T17:02:10Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• Enhancing Low-light Light Field Images with A Deep Compensation Unfolding Network [52.77569396659629]
  本稿では,低光環境下で撮像した光場(LF)画像の復元に,DCUNet(Deep compensation network openfolding)を提案する。 このフレームワークは、中間拡張結果を使用して照明マップを推定し、展開プロセスで新しい拡張結果を生成する。 本稿では,LF画像の特徴を適切に活用するために,擬似明示的特徴相互作用モジュールを提案する。
  論文  参考訳（メタデータ） (2023-08-10T07:53:06Z)
• Semantic Image Synthesis via Diffusion Models [159.4285444680301]
  Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。 セマンティック画像合成に関する最近の研究は、主に「GAN(Generative Adversarial Nets)」に追従している。
  論文  参考訳（メタデータ） (2022-06-30T18:31:51Z)
• Active Phase-Encode Selection for Slice-Specific Fast MR Scanning Using a Transformer-Based Deep Reinforcement Learning Framework [34.540525533018666]
  高品質なスライス特異的軌道を生成するための軽量トランスフォーマーに基づく深層強化学習フレームワークを提案する。 提案手法は, 約150倍高速で, 復元精度を向上する。
  論文  参考訳（メタデータ） (2022-03-11T05:05:09Z)
• Single-pass Object-adaptive Data Undersampling and Reconstruction for MRI [6.599344783327054]
  本稿では,畳み込みニューラルネットワークMNetを用いたデータ駆動型サンプリング手法を提案する。 ネットワークは、各オブジェクトに対する非常に限られた低周波k空間データを観測し、所望のアンダーサンプリングパターンを迅速に予測する。 高速MRI膝関節データセットの実験結果から,提案した学習アンダーサンプリングネットワークを用いて,4倍,8倍の加速度で物体特異的マスクを生成できることが示された。
  論文  参考訳（メタデータ） (2021-11-17T16:06:06Z)
• Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
  スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。 特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。 スペクトルct材料分解の数値的および実験的結果を示す。
  論文  参考訳（メタデータ） (2021-03-25T15:20:10Z)
• Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
  本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。 本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
  論文  参考訳（メタデータ） (2021-03-01T19:19:38Z)
• Learning Ultrasound Rendering from Cross-Sectional Model Slices for Simulated Training [13.640630434743837]
  計算シミュレーションは、バーチャルリアリティーにおけるそのようなスキルの訓練を容易にする。 インタラクティブな時間に任意のレンダリングやシミュレーションプロセスをバイパスするためにここに提案します。 我々は、専用のジェネレータアーキテクチャと入力供給方式を備えた生成的対向フレームワークを使用する。
  論文  参考訳（メタデータ） (2021-01-20T21:58:19Z)
• CNN-Based Image Reconstruction Method for Ultrafast Ultrasound Imaging [9.659642285903418]
  超高速超音波(US)は、フルビューフレームを1kHz以上で取得できるバイオメディカルイメージングに革命をもたらした。 強い回折アーチファクトに悩まされ、主に格子状葉、サイドローブ、エッジウェーブによって引き起こされる。 本稿では,2段階の畳み込みニューラルネットワーク(CNN)を用いた画像再構成手法を提案する。
  論文  参考訳（メタデータ） (2020-08-28T17:15:37Z)
• A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
  我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。 グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。 このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
  論文  参考訳（メタデータ） (2020-06-26T08:34:54Z)

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。