論文の概要: UltraDfeGAN: Detail-Enhancing Generative Adversarial Networks for High-Fidelity Functional Ultrasound Synthesis

• arxiv url: http://arxiv.org/abs/2507.03341v1
• Date: Fri, 04 Jul 2025 07:00:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.696375
• Title: UltraDfeGAN: Detail-Enhancing Generative Adversarial Networks for High-Fidelity Functional Ultrasound Synthesis
• Title（参考訳）: UltraDfeGAN:高忠実機能超音波合成のための詳細エンハンスな生成共振器ネットワーク
• Authors: Zhuo Li, Xuhang Chen, Shuqiang Wang,
• Abstract要約: 本稿では,fUS画像合成に適したGAN(Generative Adversarial Network)フレームワークの利用について検討する。 提案手法は, 特徴強化モジュールや技術を含むアーキテクチャ拡張を取り入れ, 生成画像の忠実度と生理的妥当性の向上を目的としている。 本研究は、既存の生成モデルに対するフレームワークの性能を評価し、高品質なfUS画像を作成する能力を示す。
• 参考スコア（独自算出の注目度）: 11.664045852204586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Functional ultrasound (fUS) is a neuroimaging technique known for its high spatiotemporal resolution, enabling non-invasive observation of brain activity through neurovascular coupling. Despite its potential in clinical applications such as neonatal monitoring and intraoperative guidance, the development of fUS faces challenges related to data scarcity and limitations in generating realistic fUS images. This paper explores the use of a generative adversarial network (GAN) framework tailored for fUS image synthesis. The proposed method incorporates architectural enhancements, including feature enhancement modules and normalization techniques, aiming to improve the fidelity and physiological plausibility of generated images. The study evaluates the performance of the framework against existing generative models, demonstrating its capability to produce high-quality fUS images under various experimental conditions. Additionally, the synthesized images are assessed for their utility in downstream tasks, showing improvements in classification accuracy when used for data augmentation. Experimental results are based on publicly available fUS datasets, highlighting the framework's effectiveness in addressing data limitations.
• Abstract（参考訳）: 機能的超音波 (fUS) は高時空間分解能で知られ、神経血管結合による脳活動の非侵襲的な観察を可能にする。 新生児モニタリングや術中指導などの臨床応用の可能性にもかかわらず、fUSの開発はデータ不足と現実的なfUS画像の生成の限界に関連する課題に直面している。 本稿では,fUS画像合成に適したGAN(Generative Adversarial Network)フレームワークの利用について検討する。 提案手法は, 特徴強調モジュールや正規化技術などのアーキテクチャ拡張を取り入れ, 生成画像の忠実度と生理的妥当性の向上を目的としている。 本研究は, 種々の実験条件下で高品質なfUS画像を生成する能力を示すとともに, 既存の生成モデルに対するフレームワークの性能を評価する。 さらに、合成画像は、下流タスクにおける有用性について評価し、データ拡張に使用する場合の分類精度の向上を示す。 実験結果は、利用可能なfUSデータセットに基づいており、データ制限に対処するフレームワークの有効性を強調している。

関連論文リスト

• High-Fidelity Functional Ultrasound Reconstruction via A Visual Auto-Regressive Framework [58.07923338080814]
  機能的神経側頭葉イメージングはマッピングに例外的な解像度を提供する。 しかし、その実践的応用は重大な課題によって妨げられている。 データ不足、倫理的考慮、信号劣化などが含まれる。
  論文  参考訳（メタデータ） (2025-05-23T15:27:17Z)
• FundusGAN: A Hierarchical Feature-Aware Generative Framework for High-Fidelity Fundus Image Generation [35.46876389599076]
  FundusGANは、高忠実度ファンドス画像合成用に特別に設計された新しい階層的特徴認識生成フレームワークである。 我々は、FundusGANが複数のメトリクスにわたって最先端のメソッドを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-03-22T18:08:07Z)
• GAN-Based Architecture for Low-dose Computed Tomography Imaging Denoising [1.0138723409205497]
  GAN(Generative Adversarial Networks)は低線量CT(LDCT)領域における革命的要素として浮上している。 本総説では,GANに基づくLDCT復調技術の急速な進歩を概観する。
  論文  参考訳（メタデータ） (2024-11-14T15:26:10Z)
• Active inference and deep generative modeling for cognitive ultrasound [20.383444113659476]
  解剖学的環境と相互に相互作用する情報探索エージェントとして,US画像システムを再キャストできることが示唆された。 このようなエージェントは、送信受信シーケンスを自律的に適応して、画像を完全にパーソナライズし、情報取得をその場で積極的に最大化する。 次に,不確実性を積極的に低減し,一連の実験において診断値を最大化する機構をシステムに装備する。
  論文  参考訳（メタデータ） (2024-10-17T08:09:14Z)
• 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)
• Ultrasound Image Enhancement using CycleGAN and Perceptual Loss [4.428854369140015]
  本研究は超音波画像,特に携帯型ハンドヘルドデバイスで捉えた画像の高機能化を目的とした高度なフレームワークを導入する。 我々は,5臓器系における超音波画像強調のために,CycleGANモデルを用いた。
  論文  参考訳（メタデータ） (2023-12-18T23:21:00Z)
• Joint fMRI Decoding and Encoding with Latent Embedding Alignment [77.66508125297754]
  我々はfMRIデコーディングと符号化の両方に対処する統合フレームワークを導入する。 本モデルでは、fMRI信号から視覚刺激を同時に回復し、統合された枠組み内の画像から脳活動を予測する。
  論文  参考訳（メタデータ） (2023-03-26T14:14:58Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)

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。