論文の概要: Generative Adversarial Networks in Ultrasound Imaging: Extending Field of View Beyond Conventional Limits
- arxiv url: http://arxiv.org/abs/2405.20981v1
- Date: Fri, 31 May 2024 16:26:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-03 13:39:10.570469
- Title: Generative Adversarial Networks in Ultrasound Imaging: Extending Field of View Beyond Conventional Limits
- Title(参考訳): 超音波イメージングにおける生成的対立ネットワーク:従来の限界を超えて視野を広げる
- Authors: Matej Gazda, Samuel Kadoury, Jakub Gazda, Peter Drotar,
- Abstract要約: TTE超音波イメージングは、特に視野(FoV)と解像度のトレードオフなど、固有の限界に直面している。
本稿では,条件付きジェネレーティブ・アドバイザリ・ネットワーク(cGAN)の新たな応用について紹介する。
提案したcGANアーキテクチャーはエコーGANと呼ばれ、アウトペイントにより現実的な解剖学的構造を生成する能力を示す。
- 参考スコア(独自算出の注目度): 1.6588671405657123
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Transthoracic Echocardiography (TTE) is a fundamental, non-invasive diagnostic tool in cardiovascular medicine, enabling detailed visualization of cardiac structures crucial for diagnosing various heart conditions. Despite its widespread use, TTE ultrasound imaging faces inherent limitations, notably the trade-off between field of view (FoV) and resolution. This paper introduces a novel application of conditional Generative Adversarial Networks (cGANs), specifically designed to extend the FoV in TTE ultrasound imaging while maintaining high resolution. Our proposed cGAN architecture, termed echoGAN, demonstrates the capability to generate realistic anatomical structures through outpainting, effectively broadening the viewable area in medical imaging. This advancement has the potential to enhance both automatic and manual ultrasound navigation, offering a more comprehensive view that could significantly reduce the learning curve associated with ultrasound imaging and aid in more accurate diagnoses. The results confirm that echoGAN reliably reproduce detailed cardiac features, thereby promising a significant step forward in the field of non-invasive cardiac naviagation and diagnostics.
- Abstract(参考訳): 経胸壁心エコー法(Transthoracic Echocardiography, TTE)は、心臓血管医学における基本的な非侵襲的診断ツールであり、様々な心臓疾患の診断に不可欠な心臓構造の詳細な可視化を可能にする。
広く使われているにもかかわらず、TTE超音波画像は、特に視野(FoV)と解像度のトレードオフなど、固有の制限に直面している。
本稿では,高分解能を維持しつつ,TTE超音波画像におけるFoVの拡張を念頭に,条件付きジェネレーティブ・アドバーサリアル・ネットワーク(cGAN)の新たな応用を提案する。
提案するcGANアーキテクチャは, 医用画像の視認範囲を効果的に拡大し, オーバーペイントにより, 現実的な解剖学的構造を生成できることを実証する。
この進歩は、超音波自動ナビゲーションと手動超音波ナビゲーションの両方を強化する可能性があり、超音波画像による学習曲線を大幅に減少させ、より正確な診断を助けることができる。
その結果,エコーGANはより詳細な心的特徴を確実に再現し,非侵襲的心的ナビゲーションと診断の分野で大きな進歩を期待できることがわかった。
関連論文リスト
- Privacy-Preserving Federated Foundation Model for Generalist Ultrasound Artificial Intelligence [83.02106623401885]
プライバシー保護型超音波基礎モデルであるUltraFedFMを提案する。
UltraFedFMは、9か国の16の分散医療機関にわたる連合学習を用いて、協調的に事前訓練されている。
疾患診断には0.927のレシーバ動作特性曲線、病変セグメント化には0.878のサイス類似係数を平均的に達成する。
論文 参考訳(メタデータ) (2024-11-25T13:40:11Z) - Uterine Ultrasound Image Captioning Using Deep Learning Techniques [0.0]
本稿では,深層学習を用いた医用画像キャプションについて検討し,特に子宮内超音波画像に焦点を当てた。
我々の研究は、タイムリーで正確な診断を行う医療専門家を支援することを目的としており、最終的には患者ケアの改善に寄与する。
論文 参考訳(メタデータ) (2024-11-21T11:41:42Z) - 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) - BAAF: A Benchmark Attention Adaptive Framework for Medical Ultrasound
Image Segmentation Tasks [15.998631461609968]
超音波画像中の病変や組織を分類または診断するためのベンチマーク注意適応フレームワーク(BAAF)を提案する。
BAAFは並列ハイブリッドアテンションモジュール(PHAM)と適応キャリブレーション機構(ACM)から構成される。
BAAFの設計は、CNNにおける「何」と「どこに」の焦点と選択の問題をさらに最適化し、医療用超音波画像における病変や組織のセグメンテーション精度を改善することを目指している。
論文 参考訳(メタデータ) (2023-10-02T06:15:50Z) - 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) - Reslicing Ultrasound Images for Data Augmentation and Vessel
Reconstruction [22.336362581634706]
本稿では,追跡された2次元画像から再構成された3次元ボリュームをスライスした超音波画像に対する弱い監視データ拡張手法であるRESUSを紹介する。
超音波画像の物理的制約により生体内で容易に得られないビューを生成し,これらの拡張超音波画像を用いてセマンティックセグメンテーションモデルを訓練する。
我々は, RESUSが非拡張画像を用いた訓練よりも統計的に有意な改善を達成し, 血管再建による質的改善を強調できることを実証した。
論文 参考訳(メタデータ) (2023-01-18T03:22:47Z) - Generation of Artificial CT Images using Patch-based Conditional
Generative Adversarial Networks [0.0]
本稿では,条件付き判別器を用いた生成対向ネットワークを用いた画像生成手法を提案する。
心電図(CT)画像におけるGAN強調医用画像生成の可能性について検討した。
論文 参考訳(メタデータ) (2022-05-19T20:29:25Z) - Voice-assisted Image Labelling for Endoscopic Ultrasound Classification
using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。
その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文 参考訳(メタデータ) (2021-10-12T21:22:24Z) - 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) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z)
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。