論文の概要: Experimental Validation of Ultrasound Beamforming with End-to-End Deep Learning for Single Plane Wave Imaging

• arxiv url: http://arxiv.org/abs/2404.14188v1
• Date: Mon, 22 Apr 2024 13:58:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-23 13:56:54.384764
• Title: Experimental Validation of Ultrasound Beamforming with End-to-End Deep Learning for Single Plane Wave Imaging
• Title（参考訳）: エンド・ツー・エンド深層学習による単一平面波イメージングのための超音波ビームフォーミングの実験的検討
• Authors: Ryan A. L. Schoop, Gijs Hendriks, Tristan van Leeuwen, Chris L. de Korte, Felix Lucka,
• Abstract要約: 超高速超音波イメージングは、多くの集束波ではなく、異なるビームステアリング角度で複数の平面波の1つまたは1つの組み合わせで媒体を照射する。 深層学習アプローチは、特に単一平面波のイメージングにおいて、この欠点を軽減するために提案されている。 本稿では,従来の画像形成手法を取り入れたデータ・ツー・イメージ・ネットワークを,ネットワークアーキテクチャにおける識別可能なレイヤとして検討する。
• 参考スコア（独自算出の注目度）: 0.810120481608724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ultrafast ultrasound imaging insonifies a medium with one or a combination of a few plane waves at different beam-steered angles instead of many focused waves. It can achieve much higher frame rates, but often at the cost of reduced image quality. Deep learning approaches have been proposed to mitigate this disadvantage, in particular for single plane wave imaging. Predominantly, image-to-image post-processing networks or fully learned data-to-image neural networks are used. Both construct their mapping purely data-driven and require expressive networks and large amounts of training data to perform well. In contrast, we consider data-to-image networks which incorporate a conventional image formation techniques as differentiable layers in the network architecture. This allows for end-to-end training with small amounts of training data. In this work, using f-k migration as an image formation layer is evaluated in-depth with experimental data. We acquired a data collection designed for benchmarking data-driven plane wave imaging approaches using a realistic breast mimicking phantom and an ultrasound calibration phantom. The evaluation considers global and local image similarity measures and contrast, resolution and lesion detectability analysis. The results show that the proposed network architecture is capable of improving the image quality of single plane wave images on all evaluation metrics. Furthermore, these image quality improvements can be achieved with surprisingly little amounts of training data.
• Abstract（参考訳）: 超高速超音波イメージングは、多くの集束波ではなく、異なるビームステアリング角度で複数の平面波の1つまたは1つの組み合わせで媒体を照射する。 フレームレートははるかに高いが、画質を低下させるコストがかかることが多い。 深層学習アプローチは、特に単一平面波のイメージングにおいて、この欠点を軽減するために提案されている。 優先的に、画像から画像までの後処理ネットワークや、完全に学習されたデータから画像へのニューラルネットワークが使用される。 どちらも、純粋にデータ駆動のマッピングを構築し、優れたパフォーマンスを得るためには、表現力のあるネットワークと大量のトレーニングデータを必要とする。 対照的に、従来の画像形成手法をネットワークアーキテクチャの異なる層として組み込んだデータ・ツー・イメージ・ネットワークを考察する。 これにより、少量のトレーニングデータによるエンドツーエンドのトレーニングが可能になる。 本研究では,f-kマイグレーションを画像形成層として,実験データを用いて詳細に評価する。 我々は,現実的な乳房模倣ファントムと超音波校正ファントムを用いて,データ駆動型平面波イメージング手法のベンチマークのためのデータ収集を行った。 この評価は、大域的および局所的な画像類似度測定とコントラスト、解像度、病変検出可能性分析を考察する。 その結果,提案するネットワークアーキテクチャは,すべての評価指標に基づいて単一平面波画像の画質を向上させることができることがわかった。 さらに、これらの画質の改善は驚くほど少ないトレーニングデータで達成できる。

関連論文リスト

• Denoising Plane Wave Ultrasound Images Using Diffusion Probabilistic Models [3.3463490716514177]
  高フレームレート超音波イメージングは、高フレームレートイメージングを可能にする最先端技術である。 高フレームレート超音波イメージングにかかわる課題の1つは、それらにかかわる高ノイズが、より広範に採用を妨げていることである。 提案手法は,平面波画像の画質向上を目的としている。 具体的には、低角と高角複合平面波の区別をノイズとみなす。 さらに,本手法では,生成した画像の強度マップとして自然画像分割マスクを用い,解剖学的形状の精度向上を図る。
  論文  参考訳（メタデータ） (2024-08-20T16:31:31Z)
• DH-GAN: A Physics-driven Untrained Generative Adversarial Network for 3D Microscopic Imaging using Digital Holography [3.4635026053111484]
  デジタルホログラフィー(Digital holography)は、平面波面を持つレーザービームを物体に放出し、ホログラムと呼ばれる回折波形の強度を測定する3Dイメージング技術である。 近年,より正確なホログラフィック処理に深層学習(DL)法が用いられている。 本稿では, 識別ネットワークを用いて, 復元品質のセマンティック尺度を実現する, 生成的敵ネットワークに基づく新しいDLアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:13:45Z)
• Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
  画像再構成に有効な先行画像として, 奥行き画像が導入された。 その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。 計算課題に対処する2段階の学習パラダイムを開発する。
  論文  参考訳（メタデータ） (2021-11-23T15:08:26Z)
• Single Plane-Wave Imaging using Physics-Based Deep Learning [2.1410799064827226]
  平面波イメージングでは、異なる角度から複数の非焦点超音波が媒介される。 超音波イメージングを改善するための深層学習法が提案されている。 本稿では、深部畳み込みニューラルネットワークにおける波動物理に基づく画像形成アルゴリズムを組み込んだデータ・ツー・イメージアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-09-08T14:06:29Z)
• From Synthetic to Real: Image Dehazing Collaborating with Unlabeled Real Data [58.50411487497146]
  ラベルのない実データと協調する新しい画像デハージングフレームワークを提案する。 まず,特徴表現を3つの成分マップに切り離す不整合画像デハージングネットワーク(DID-Net)を開発する。 そして、無ラベルの実データと協調して単一画像のデハージングを促進するために、不整合平均教師ネットワーク(DMT-Net)を用いる。
  論文  参考訳（メタデータ） (2021-08-06T04:00:28Z)
• Fast ultrasonic imaging using end-to-end deep learning [1.0266286487433585]
  ディープニューラルネットワーク(DNN)は、データ前処理とイメージ後処理のステップを別々に使用する。 エンド・ツー・エンドのトレーニングを実現するために,3つのステップをすべて統合した新しいディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-04T13:53:46Z)
• Syn2Real Transfer Learning for Image Deraining using Gaussian Processes [92.15895515035795]
  CNNに基づく画像デライニング手法は,再現誤差や視覚的品質の点で優れた性能を発揮している。 実世界の完全ラベル付き画像デライニングデータセットを取得する上での課題により、既存の手法は合成されたデータのみに基づいて訓練される。 本稿では,ガウス過程に基づく半教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-10T00:33:18Z)
• Data Consistent CT Reconstruction from Insufficient Data with Learned Prior Images [70.13735569016752]
  偽陰性病変と偽陽性病変を呈示し,CT画像再構成における深層学習の堅牢性について検討した。 本稿では,圧縮センシングと深層学習の利点を組み合わせた画像品質向上のためのデータ一貫性再構築手法を提案する。 提案手法の有効性は,円錐ビームCTにおいて,トランキャットデータ,リミテッドアングルデータ,スパースビューデータで示される。
  論文  参考訳（メタデータ） (2020-05-20T13:30:49Z)
• Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
  形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。 ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。 合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-04-01T12:56:13Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)
• Extracting dispersion curves from ambient noise correlations using deep learning [1.0237120900821557]
  本研究では,表面波の分散曲線の位相を分類する機械学習手法を提案する。 受信機のアレイで観測された表面の標準FTAN解析を画像に変換する。 我々は、教師付き学習目標を備えた畳み込みニューラルネットワーク(U-net)アーキテクチャを使用し、伝達学習を取り入れる。
  論文  参考訳（メタデータ） (2020-02-05T23:41:12Z)

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。