論文の概要: Diffusion as Sound Propagation: Physics-inspired Model for Ultrasound Image Generation

• arxiv url: http://arxiv.org/abs/2407.05428v1
• Date: Sun, 7 Jul 2024 16:09:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-09 19:38:04.514800
• Title: Diffusion as Sound Propagation: Physics-inspired Model for Ultrasound Image Generation
• Title（参考訳）: 音波伝搬としての拡散:超音波画像生成のための物理モデル
• Authors: Marina Domínguez, Yordanka Velikova, Nassir Navab, Mohammad Farid Azampour,
• Abstract要約: 本稿では,物理に基づく拡散モデルを導入することにより,生成されたUS画像の品質を向上させる新しい手法を提案する。 提案モデルは超音波画像における音波伝搬の自然な挙動を模倣する米国固有のスケジューラスキームを取り入れたものである。
• 参考スコア（独自算出の注目度）: 40.38366685713845
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Deep learning (DL) methods typically require large datasets to effectively learn data distributions. However, in the medical field, data is often limited in quantity, and acquiring labeled data can be costly. To mitigate this data scarcity, data augmentation techniques are commonly employed. Among these techniques, generative models play a pivotal role in expanding datasets. However, when it comes to ultrasound (US) imaging, the authenticity of generated data often diminishes due to the oversight of ultrasound physics. We propose a novel approach to improve the quality of generated US images by introducing a physics-based diffusion model that is specifically designed for this image modality. The proposed model incorporates an US-specific scheduler scheme that mimics the natural behavior of sound wave propagation in ultrasound imaging. Our analysis demonstrates how the proposed method aids in modeling the attenuation dynamics in US imaging. We present both qualitative and quantitative results based on standard generative model metrics, showing that our proposed method results in overall more plausible images. Our code is available at https://github.com/marinadominguez/diffusion-for-us-images
• Abstract（参考訳）: ディープラーニング(DL)メソッドは通常、データ分散を効果的に学習するために大きなデータセットを必要とする。 しかし、医療分野では、データが量的に制限されることが多く、ラベル付きデータの取得にはコストがかかる。 このデータ不足を軽減するため、データ拡張技術が一般的である。 これらの技術の中で、生成モデルはデータセットの拡大において重要な役割を果たす。 しかし、超音波(US)イメージングでは、超音波物理の監視により生成されたデータの信頼性は低下することが多い。 本稿では、この画像のモダリティに特化して設計された物理に基づく拡散モデルを導入することにより、生成されたUS画像の品質を向上させるための新しいアプローチを提案する。 提案モデルは,超音波画像における音波伝搬の自然な挙動を模倣する米国固有のスケジューラ方式を取り入れたものである。 提案手法は,US画像における減衰ダイナミクスのモデル化に有効であることを示す。 提案手法は,標準生成モデル測定値に基づく定性的および定量的な結果の両方を提示する。 私たちのコードはhttps://github.com/marinadominguez/diffusion-for-us-imagesで利用可能です。

関連論文リスト

• Ultrasound Image Generation using Latent Diffusion Models [9.195192250393267]
  画像生成のための拡散モデルは、多種多様な高品質な画像を生成する能力により、関心が高まりつつある。 本研究では,異なる公開データベース上での大規模拡散モデルの連続的な微調整により,現実的な超音波画像(US)のシミュレーションを提案する。 乳房の高画質な画像は、臓器と病理を識別するシンプルなプロンプトで生成し、アメリカの経験者3人とアメリカの放射線技師に現実的に見られた。
  論文  参考訳（メタデータ） (2025-02-12T17:11:58Z)
• Enhancing Fetal Plane Classification Accuracy with Data Augmentation Using Diffusion Models [4.463474240520404]
  高品質なアノテート超音波画像の入手は限られており、機械学習モデルの訓練が制限されている。 本稿では, 胎児平面分類の性能向上のために, 拡散モデルを用いて合成超音波画像を生成する手法について検討する。
  論文  参考訳（メタデータ） (2025-01-25T15:33:13Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  大規模なデータセットのトレーニングによるスケーリングは、画像生成の品質と忠実度を高め、拡散モデルによる操作を可能にすることが示されている。 遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 本研究は,異なる微調整方式と組み合わせた場合,様々なシナリオにおいて顕著な性能向上を示すものである。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• 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)
• Learned representation-guided diffusion models for large-image generation [58.192263311786824]
  自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。 我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。 実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
  論文  参考訳（メタデータ） (2023-12-12T14:45:45Z)
• The Journey, Not the Destination: How Data Guides Diffusion Models [75.19694584942623]
  大規模なデータセットでトレーニングされた拡散モデルは、顕著な品質と多様性のフォトリアリスティックなイメージを合成することができる。 i)拡散モデルの文脈でデータ属性の形式的概念を提供し、(ii)そのような属性を反実的に検証することを可能にする枠組みを提案する。
  論文  参考訳（メタデータ） (2023-12-11T08:39:43Z)
• 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)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)

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。