論文の概要: Ultrasound Imaging based on the Variance of a Diffusion Restoration Model

• arxiv url: http://arxiv.org/abs/2403.15316v2
• Date: Mon, 17 Jun 2024 17:25:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-19 05:17:19.368322
• Title: Ultrasound Imaging based on the Variance of a Diffusion Restoration Model
• Title（参考訳）: 拡散復元モデルに基づく超音波イメージング
• Authors: Yuxin Zhang, Clément Huneau, Jérôme Idier, Diana Mateus,
• Abstract要約: 本稿では, 線形直列モデルと学習に基づく先行モデルを組み合わせたハイブリッド再構成手法を提案する。 我々は,高品質な画像再構成を実現するための分散イメージング手法の有効性を実証し,合成,in-vitro,in-vivoデータの実験を行った。
• 参考スコア（独自算出の注目度）: 7.360352432782388
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite today's prevalence of ultrasound imaging in medicine, ultrasound signal-to-noise ratio is still affected by several sources of noise and artefacts. Moreover, enhancing ultrasound image quality involves balancing concurrent factors like contrast, resolution, and speckle preservation. Recently, there has been progress in both model-based and learning-based approaches addressing the problem of ultrasound image reconstruction. Bringing the best from both worlds, we propose a hybrid reconstruction method combining an ultrasound linear direct model with a learning-based prior coming from a generative Denoising Diffusion model. More specifically, we rely on the unsupervised fine-tuning of a pre-trained Denoising Diffusion Restoration Model (DDRM). Given the nature of multiplicative noise inherent to ultrasound, this paper proposes an empirical model to characterize the stochasticity of diffusion reconstruction of ultrasound images, and shows the interest of its variance as an echogenicity map estimator. We conduct experiments on synthetic, in-vitro, and in-vivo data, demonstrating the efficacy of our variance imaging approach in achieving high-quality image reconstructions from single plane-wave acquisitions and in comparison to state-of-the-art methods. The code is available at: https://github.com/Yuxin-Zhang-Jasmine/DRUSvar
• Abstract（参考訳）: 今日の医学における超音波画像の流行にもかかわらず、超音波信号とノイズの比率は、いくつかのノイズや人工物の影響を受けている。 さらに、超音波画像品質の向上には、コントラスト、解像度、スペックル保存といった同時的な要因のバランスが伴う。 近年,超音波画像再構成の問題に対処するモデルベースと学習ベースの両方のアプローチが進展している。 両世界から最善を享受し, 生成的デノナイジング拡散モデルから得られた学習前モデルと超音波線形直列モデルを組み合わせたハイブリッド再構成手法を提案する。 より具体的には、事前訓練されたDDRM(Denoising Diffusion Restoration Model)の教師なし微調整に頼る。 本稿では,超音波固有の乗法ノイズの性質を考慮し,超音波画像の拡散再構成の確率性を特徴付ける実験モデルを提案する。 本研究では, 合成, 生体内, 生体内データに関する実験を行い, 単一平面波取得による高画質画像再構成および最先端手法との比較において, 分散イメージング手法の有効性を実証した。 コードは、https://github.com/Yuxin-Zhang-Jasmine/DRUSvarで入手できる。

関連論文リスト

• Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Ultrasound Imaging [32.99597899937902]
  拡散モデルに基づく新しい教師なし異常検出フレームワークを提案する。 提案手法は, 合成ノイズ関数と多段拡散過程を組み込む。 提案手法は頸動脈US,脳MRI,肝CTを用いて検討した。
  論文  参考訳（メタデータ） (2024-11-06T15:43:51Z)
• Ultrasound Image Enhancement with the Variance of Diffusion Models [7.360352432782388]
  超音波画像の強調にはコントラスト、解像度、スペックル保存の微妙なバランスが必要である。 本稿では,適応ビームフォーミングと拡散型分散イメージングを併用した新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-17T17:29:33Z)
• Fast Sampling generative model for Ultrasound image reconstruction [3.3545464959630578]
  本稿では,超音波信号とデータ駆動前のデータ一貫性を同時に実施する新しいサンプリングフレームワークを提案する。 高度な拡散モデルを利用することで、高品質な画像の生成が大幅に高速化される。
  論文  参考訳（メタデータ） (2023-12-15T03:28:17Z)
• Volumetric Reconstruction Resolves Off-Resonance Artifacts in Static and Dynamic PROPELLER MRI [76.60362295758596]
  磁気共鳴イメージング(MRI)におけるオフ共鳴アーティファクトは、画像ボリューム内のスピンの実際の共鳴周波数が空間情報を符号化するのに使用される期待周波数と異なる場合に発生する視覚歪みである。 本稿では,2次元MRI再構成問題を3次元に引き上げ,このオフ共鳴をモデル化するための「スペクトル」次元を導入することで,これらのアーチファクトを解決することを提案する。
  論文  参考訳（メタデータ） (2023-11-22T05:44:51Z)
• Diffusion Reconstruction of Ultrasound Images with Informative Uncertainty [5.375425938215277]
  超音波画像の品質を高めるには、コントラスト、解像度、スペックル保存といった同時的な要因のバランスを取る必要がある。 拡散モデルの進歩を生かしたハイブリッドアプローチを提案する。 シミュレーション,in-vitro,in-vivoデータの総合的な実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-10-31T16:51:40Z)
• Optimizing Sampling Patterns for Compressed Sensing MRI with Diffusion Generative Models [75.52575380824051]
  圧縮センシングマルチコイルMRIにおけるサブサンプリングパターンを最適化する学習手法を提案する。 拡散モデルとMRI計測プロセスにより得られた後部平均推定値に基づいて1段階の再構成を行う。 本手法では,効果的なサンプリングパターンの学習には5つのトレーニング画像が必要である。
  論文  参考訳（メタデータ） (2023-06-05T22:09:06Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
  スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。 本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。 提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
  論文  参考訳（メタデータ） (2022-06-09T14:00:26Z)
• Ultrasound Speckle Suppression and Denoising using MRI-derived Normalizing Flow Priors [16.741462523436848]
  本稿では,非教師付き超音波スペックル低減法と画像復調法を提案する。 この方法は、他の(教師なし)超音波復調法(NLMおよびOBNLM)を定量的および定性的に上回る。
  論文  参考訳（メタデータ） (2021-12-24T17:21:24Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。