論文の概要: Blind Restoration of High-Resolution Ultrasound Video
- arxiv url: http://arxiv.org/abs/2505.13915v1
- Date: Tue, 20 May 2025 04:26:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-21 14:49:52.744623
- Title: Blind Restoration of High-Resolution Ultrasound Video
- Title（参考訳）: 高分解能超音波映像のブラインド復元
- Authors: Chu Chen, Kangning Cui, Pasquale Cascarano, Wei Tang, Elena Loli Piccolomini, Raymond H. Chan,
- Abstract要約: 超音波ビデオは、低信号対雑音比(SNR)と限られた解像度に悩まされることが多い。
この研究は、Deep Ultrasound Prior (DUP)と呼ばれる自己教師付き超音波ビデオ超解像アルゴリズムを提示する。
- 参考スコア（独自算出の注目度）: 10.317533606946524
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ultrasound imaging is widely applied in clinical practice, yet ultrasound videos often suffer from low signal-to-noise ratios (SNR) and limited resolutions, posing challenges for diagnosis and analysis. Variations in equipment and acquisition settings can further exacerbate differences in data distribution and noise levels, reducing the generalizability of pre-trained models. This work presents a self-supervised ultrasound video super-resolution algorithm called Deep Ultrasound Prior (DUP). DUP employs a video-adaptive optimization process of a neural network that enhances the resolution of given ultrasound videos without requiring paired training data while simultaneously removing noise. Quantitative and visual evaluations demonstrate that DUP outperforms existing super-resolution algorithms, leading to substantial improvements for downstream applications.
- Abstract（参考訳）: 超音波画像は臨床に広く応用されているが、超音波ビデオは低信号対雑音比(SNR)と解像度の制限に悩まされ、診断と分析の課題を提起する。
機器や取得設定の変化により、データ分布とノイズレベルの違いがさらに悪化し、事前訓練されたモデルの一般化性が低下する可能性がある。
この研究は、Deep Ultrasound Prior (DUP)と呼ばれる自己教師付き超音波ビデオ超解像アルゴリズムを提示する。
DUPはニューラルネットワークの動画適応最適化プロセスを採用しており、同時にノイズを除去しながらペアのトレーニングデータを必要とすることなく、与えられた超音波ビデオの解像度を向上させる。
定量的かつ視覚的な評価は、DUPが既存の超解像アルゴリズムより優れており、下流アプリケーションに大幅な改善をもたらすことを示している。
関連論文リスト
- Deep Sylvester Posterior Inference for Adaptive Compressed Sensing in Ultrasound Imaging [16.553626039240903]
必要なスキャンラインの数を最小化することで、フレームレート、視野、エネルギー効率、データ転送速度を大幅に向上させることができる。
本稿では,固有情報ゲインをその場で最大化する適応サブサンプリング手法を提案する。
論文 参考訳（メタデータ） (2025-01-07T14:37:14Z) - Ultrasound Imaging based on the Variance of a Diffusion Restoration Model [7.360352432782388]
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。
論文 参考訳（メタデータ） (2024-03-22T16:10:38Z) - UNICORN: Ultrasound Nakagami Imaging via Score Matching and Adaptation [59.91293113930909]
超音波による組織散乱の可視化と定量化は中上イメージングが約束している。
既存の手法では、最適なウィンドウサイズの選択に苦労し、推定の不安定性に悩まされている。
提案手法は,中上パラメータ推定のための高精度でクローズドな形状推定器であるUNICORNを提案する。
論文 参考訳（メタデータ） (2024-03-10T18:05:41Z) - 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) - 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) - 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) - 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) - Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。
本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
論文 参考訳（メタデータ） (2021-03-01T19:19:38Z) - A Universal Deep Learning Framework for Real-Time Denoising of
Ultrasound Images [0.0]
超音波画像のリアルタイムデノライゼーションのための普遍的ディープラーニングフレームワークを定義した。
超音波画像の平滑化のための最先端手法の解析と比較を行った。
そこで本研究では,選択された最新デノイジング手法のチューニング版を提案する。
論文 参考訳（メタデータ） (2021-01-22T14:18:47Z)
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。