論文の概要: Do We Need Pre-Processing for Deep Learning Based Ultrasound Shear Wave Elastography?

• arxiv url: http://arxiv.org/abs/2508.03744v1
• Date: Fri, 01 Aug 2025 11:26:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.35815
• Title: Do We Need Pre-Processing for Deep Learning Based Ultrasound Shear Wave Elastography?
• Title（参考訳）: 深層学習に基づく超音波シーア波エラストグラフィーの予備技術が必要か?
• Authors: Sarah Grube, Sören Grünhagen, Sarah Latus, Michael Meyling, Alexander Schlaefer,
• Abstract要約: 軟組織の弾性度を推定することは、様々な診断応用に有用な情報を提供することができる。 ディープラーニングベースのアプローチは、従来の超音波前処理ステップの必要性とバイアスを減らすことができる。
• 参考スコア（独自算出の注目度）: 40.44081073917452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating the elasticity of soft tissue can provide useful information for various diagnostic applications. Ultrasound shear wave elastography offers a non-invasive approach. However, its generalizability and standardization across different systems and processing pipelines remain limited. Considering the influence of image processing on ultrasound based diagnostics, recent literature has discussed the impact of different image processing steps on reliable and reproducible elasticity analysis. In this work, we investigate the need of ultrasound pre-processing steps for deep learning-based ultrasound shear wave elastography. We evaluate the performance of a 3D convolutional neural network in predicting shear wave velocities from spatio-temporal ultrasound images, studying different degrees of pre-processing on the input images, ranging from fully beamformed and filtered ultrasound images to raw radiofrequency data. We compare the predictions from our deep learning approach to a conventional time-of-flight method across four gelatin phantoms with different elasticity levels. Our results demonstrate statistically significant differences in the predicted shear wave velocity among all elasticity groups, regardless of the degree of pre-processing. Although pre-processing slightly improves performance metrics, our results show that the deep learning approach can reliably differentiate between elasticity groups using raw, unprocessed radiofrequency data. These results show that deep learning-based approaches could reduce the need for and the bias of traditional ultrasound pre-processing steps in ultrasound shear wave elastography, enabling faster and more reliable clinical elasticity assessments.
• Abstract（参考訳）: 軟組織の弾性度を推定することは、様々な診断応用に有用な情報を提供することができる。 超音波せん断波エラストグラフィーは非侵襲的アプローチを提供する。 しかし、その一般化性と異なるシステムや処理パイプラインの標準化は依然として限られている。 近年, 超音波診断における画像処理の影響を考慮し, 信頼性・再現性解析における異なる画像処理ステップの影響について論じている。 本研究では,深層学習に基づく超音波シーア波エラストグラフィーにおける超音波前処理ステップの必要性について検討する。 本研究では,3次元畳み込みニューラルネットワークによる時空間超音波画像からのせん断波速度の予測性能の評価を行い,入力画像の各種前処理の程度について検討した。 本研究では, 従来の飛行時間法と深層学習による予測を, 弾力性の異なる4つのゼラチンファントムで比較した。 その結果, 前処理の程度によらず, 全ての弾性群で予測されたせん断波速度に統計的に有意な差が認められた。 事前処理は性能指標をわずかに改善するが,本研究の結果から,未処理の生の電波データを用いて,深層学習手法が弾力性グループを確実に区別できることが示唆された。 これらの結果から, 超音波シーア波エラストグラフィーにおける従来の超音波前処理ステップの必要性とバイアスを低減し, より高速で信頼性の高い臨床弾性評価を可能にすることが示唆された。

関連論文リスト

• The Efficacy of Semantics-Preserving Transformations in Self-Supervised Learning for Medical Ultrasound [60.80780313225093]
  本研究は, 肺超音波の自己教師あり学習におけるデータ拡張と前処理方略の影響を系統的に検討した。 画像領域に共通して使用されるベースラインパイプライン、超音波用に設計された新しいセマンティック保存パイプライン、両方のパイプラインから最も効果的な変換の蒸留セットの3つのデータ拡張パイプラインが評価された。
  論文  参考訳（メタデータ） (2025-04-10T16:26:47Z)
• S-CycleGAN: Semantic Segmentation Enhanced CT-Ultrasound Image-to-Image Translation for Robotic Ultrasonography [2.07180164747172]
  我々はS-CycleGANと呼ばれる高度なディープラーニングモデルを導入し,CTデータから高品質な合成超音波画像を生成する。 合成画像を用いて,ロボット支援超音波スキャンシステムの開発の諸側面を解明する。
  論文  参考訳（メタデータ） (2024-06-03T10:53:45Z)
• 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)
• 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)
• Investigating Pulse-Echo Sound Speed Estimation in Breast Ultrasound with Deep Learning [44.70495434283752]
  In-phase および quadrature の超音波信号から音速を推定する深層学習手法を提案する。 準現実性乳房組織を生成する大規模超音波データセットを開発した。 シミュレーション,ファントム,乳房内超音波データを用いたモデルの評価を行った。
  論文  参考訳（メタデータ） (2023-02-06T19:02:44Z)
• Compressive Ptychography using Deep Image and Generative Priors [9.658250977094562]
  Ptychographyは、ナノメートルスケールでサンプルの非侵襲的なイメージングを可能にする、よく確立されたコヒーレント回折イメージング技術である。 Ptychographyの最大の制限は、サンプルの機械的スキャンによる長いデータ取得時間である。 本稿では,深部画像先行と深部画像先行とを組み合わせた生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-05-05T02:18:26Z)
• 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)
• 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)
• 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。