論文の概要: Implicit Neural Representations for Speed-of-Sound Estimation in Ultrasound
- arxiv url: http://arxiv.org/abs/2409.14035v1
- Date: Sat, 21 Sep 2024 06:43:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 03:55:36.867765
- Title: Implicit Neural Representations for Speed-of-Sound Estimation in Ultrasound
- Title(参考訳): 超音波の音速推定のための入射ニューラル表現
- Authors: Michal Byra, Piotr Jarosik, Piotr Karwat, Ziemowit Klimonda, Marcin Lewandowski,
- Abstract要約: 入射神経表現(英語: Implicit Neural representations、INR)は、ネットワークの重みを通して画像や物理量などの連続的な機能を符号化するニューラルネットワークアーキテクチャの一種である。
本研究では、米国における音速推定(SoS)にINRを用いる。
- 参考スコア(独自算出の注目度): 3.9665976815001165
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate estimation of the speed-of-sound (SoS) is important for ultrasound (US) image reconstruction techniques and tissue characterization. Various approaches have been proposed to calculate SoS, ranging from tomography-inspired algorithms like CUTE to convolutional networks, and more recently, physics-informed optimization frameworks based on differentiable beamforming. In this work, we utilize implicit neural representations (INRs) for SoS estimation in US. INRs are a type of neural network architecture that encodes continuous functions, such as images or physical quantities, through the weights of a network. Implicit networks may overcome the current limitations of SoS estimation techniques, which mainly arise from the use of non-adaptable and oversimplified physical models of tissue. Moreover, convolutional networks for SoS estimation, usually trained using simulated data, often fail when applied to real tissues due to out-of-distribution and data-shift issues. In contrast, implicit networks do not require extensive training datasets since each implicit network is optimized for an individual data case. This adaptability makes them suitable for processing US data collected from varied tissues and across different imaging protocols. We evaluated the proposed SoS estimation method based on INRs using data collected from a tissue-mimicking phantom containing four cylindrical inclusions, with SoS values ranging from 1480 m/s to 1600 m/s. The inclusions were immersed in a material with an SoS value of 1540 m/s. In experiments, the proposed method achieved strong performance, clearly demonstrating the usefulness of implicit networks for quantitative US applications.
- Abstract(参考訳): 超音波(US)画像再構成技術や組織評価において,音速(SoS)の正確な推定が重要である。
SoSの計算には、CUTEのようなトモグラフィにインスパイアされたアルゴリズムから畳み込みネットワークまで、様々なアプローチが提案されている。
本研究では,アメリカにおけるSoS推定に暗黙的ニューラル表現(INR)を用いる。
INRは、ニューラルネットワークアーキテクチャの一種で、画像や物理量などの連続的な機能を、ネットワークの重みによってエンコードする。
インプリシットネットワークは、組織の非適応性と過度に単純化された物理的モデルを使用することによって主に生じる、SoS推定技術の現在の限界を克服することができる。
さらに、シミュレーションデータを用いてトレーニングされるSoS推定のための畳み込みネットワークは、アウト・オブ・ディストリビューションとデータシフトの問題により、実際の組織に適用されると失敗することが多い。
対照的に、暗黙ネットワークは個々のデータケースに最適化されているため、広範なトレーニングデータセットを必要としない。
この適応性は、様々な組織から収集され、異なるイメージングプロトコルを通して収集された米国データの処理に適している。
4つの円筒状包有物を含む組織模倣ファントムから収集したデータを用いて,INRを用いたSoS推定法を評価し,1480m/sから1600m/sの範囲でSoSの値を評価した。
インクルージョンは、SoS値が1540 m/sの材料に浸漬された。
実験では,提案手法は高い性能を達成し,定量的な米国応用のための暗黙的ネットワークの有用性を明らかにした。
関連論文リスト
- A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。
我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。
我々の推論速度は拡散法よりも1,400倍速い。
論文 参考訳(メタデータ) (2024-10-05T20:03:57Z) - On the Convergence of Locally Adaptive and Scalable Diffusion-Based Sampling Methods for Deep Bayesian Neural Network Posteriors [2.3265565167163906]
ベイズニューラルネットワークは、ディープニューラルネットワークにおける不確実性をモデル化するための有望なアプローチである。
ニューラルネットワークの 後部分布からサンプルを生成することは 大きな課題です
この方向の進歩の1つは、モンテカルロ・マルコフ連鎖サンプリングアルゴリズムへの適応的なステップサイズの導入である。
本稿では,これらの手法が,ステップサイズやバッチサイズが小さくても,サンプリングした分布にかなりの偏りがあることを実証する。
論文 参考訳(メタデータ) (2024-03-13T15:21:14Z) - Deep Multi-Threshold Spiking-UNet for Image Processing [51.88730892920031]
本稿では,SNN(Spike Neural Networks)とU-Netアーキテクチャを組み合わせた,画像処理のためのスパイキング-UNetの概念を紹介する。
効率的なスパイキング-UNetを実現するためには,スパイクによる高忠実度情報伝播の確保と,効果的なトレーニング戦略の策定という2つの課題に直面する。
実験の結果,画像のセグメンテーションとデノイングにおいて,スパイキングUNetは非スパイキングと同等の性能を発揮することがわかった。
論文 参考訳(メタデータ) (2023-07-20T16:00:19Z) - Learning-based sound speed estimation and aberration correction in
linear-array photoacoustic imaging [3.190109710735486]
光音響(PA)画像再構成は、伝搬媒質内の音速(SoS)の特定を伴う。
異種軟組織内のSoSの空間分布に関する情報が不足しているため、PA画像再構成では同種SoS分布が想定される。
デュアルモードPA/USイメージングシステムにおいて,SoS推定とその後の収差補正のためのディープラーニングフレームワークを導入する。
論文 参考訳(メタデータ) (2023-06-19T15:58:10Z) - Increasing the Accuracy of a Neural Network Using Frequency Selective
Mesh-to-Grid Resampling [4.211128681972148]
ニューラルネットワークの入力データの処理にFSMR(Keypoint frequency selective mesh-to-grid resampling)を提案する。
ネットワークアーキテクチャや分類タスクによって、トレーニング中のFSMRの適用は学習プロセスに役立ちます。
ResNet50とOxflower17データセットの分類精度は最大4.31ポイント向上できる。
論文 参考訳(メタデータ) (2022-09-28T21:34:47Z) - WeightMom: Learning Sparse Networks using Iterative Momentum-based
pruning [0.0]
本稿では,前回の繰り返しの運動量に基づいて徐々に重みを刈り取る,重みに基づくプルーニング手法を提案する。
我々は,CIFAR-10やCIFAR-100といった画像分類データセットを用いて,AlexNet,VGG16,ResNet50などのネットワークに対するアプローチを評価する。
論文 参考訳(メタデータ) (2022-08-11T07:13:59Z) - Ultrasound Scatterer Density Classification Using Convolutional Neural
Networks by Exploiting Patch Statistics [3.93098730337656]
定量的超音波(QUS)は散乱体密度などの組織特性に関する重要な情報を明らかにすることができる。
分解能セルあたりの散乱体密度は、フル開発スペックル(FDS)または低密度散乱体(LDS)と見なされる
本稿では,QUSのための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案し,シミュレーションデータを用いて学習する。
論文 参考訳(メタデータ) (2020-12-04T17:36:57Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳(メタデータ) (2020-11-17T12:52:18Z) - Searching for Low-Bit Weights in Quantized Neural Networks [129.8319019563356]
低ビットの重みとアクティベーションを持つ量子ニューラルネットワークは、AIアクセラレータを開発する上で魅力的なものだ。
本稿では、任意の量子化ニューラルネットワークにおける離散重みを探索可能な変数とみなし、差分法を用いて正確に探索する。
論文 参考訳(メタデータ) (2020-09-18T09:13:26Z) - ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。
本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
論文 参考訳(メタデータ) (2020-06-28T23:09:27Z) - Compressive sensing with un-trained neural networks: Gradient descent
finds the smoothest approximation [60.80172153614544]
訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。
トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
論文 参考訳(メタデータ) (2020-05-07T15:57:25Z)
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。