論文の概要: Dynamic Reconstruction of Ultrasound-Derived Flow Fields With Physics-Informed Neural Fields

• arxiv url: http://arxiv.org/abs/2511.01804v1
• Date: Mon, 03 Nov 2025 18:05:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.3603
• Title: Dynamic Reconstruction of Ultrasound-Derived Flow Fields With Physics-Informed Neural Fields
• Title（参考訳）: 物理インフォームドニューラルネットワークによる超音波誘導流れ場の動的再構成
• Authors: Viraj Patel, Lisa Kreusser, Katharine Fraser,
• Abstract要約: スパースおよびノイズ超音波データから血流を推定するための物理インフォームドニューラルネットワークモデルを提案する。 このモデルは、合成データセットと実データセットの両方を着色および着色する際に、平均2乗誤差を一貫して低くする。 我々は,超音波による血流再構成の具体的な課題に対処するために,他の画像モダリティに有効であることが証明された手法を適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blood flow is sensitive to disease and provides insight into cardiac function, making flow field analysis valuable for diagnosis. However, while safer than radiation-based imaging and more suitable for patients with medical implants, ultrasound suffers from attenuation with depth, limiting the quality of the image. Despite advances in echocardiographic particle image velocimetry (EchoPIV), accurately measuring blood velocity remains challenging due to the technique's limitations and the complexity of blood flow dynamics. Physics-informed machine learning can enhance accuracy and robustness, particularly in scenarios where noisy or incomplete data challenge purely data-driven approaches. We present a physics-informed neural field model with multi-scale Fourier Feature encoding for estimating blood flow from sparse and noisy ultrasound data without requiring ground truth supervision. We demonstrate that this model achieves consistently low mean squared error in denoising and inpainting both synthetic and real datasets, verified against reference flow fields and ground truth flow rate measurements. While physics-informed neural fields have been widely used to reconstruct medical images, applications to medical flow reconstruction are mostly prominent in Flow MRI. In this work, we adapt methods that have proven effective in other imaging modalities to address the specific challenge of ultrasound-based flow reconstruction.
• Abstract（参考訳）: 血流は疾患に敏感であり、心臓機能に関する洞察を与え、フローフィールド分析が診断に有用である。 しかし、放射線ベースの画像より安全であり、医療インプラント患者に適しているが、超音波は深度による減衰に悩まされ、画像の品質が制限される。 心エコー画像検査(EchoPIV)の進歩にもかかわらず、この技法の限界と血流動態の複雑さにより、正確な血流速度の測定は難しいままである。 物理インフォームド機械学習は、特にノイズや不完全なデータが純粋にデータ駆動アプローチに挑戦するシナリオにおいて、精度と堅牢性を高めることができる。 基礎的な真実の監督を必要とせず,スパースおよびノイズの多い超音波データからの血流を推定するための,マルチスケールフーリエ特徴符号化を用いた物理インフォームドニューラル場モデルを提案する。 本モデルでは, 基準流場および地中真理流量測定に対して, 合成データセットと実データセットの両方を着色, 着色する際に, 平均2乗誤差が一定に低いことを実証した。 物理インフォームド・ニューラルフィールドは医用画像の再構成に広く用いられているが、フローMRIでは医療用フロー再構成への応用が顕著である。 本研究では,他の画像モダリティに有効であることを示す手法を適用し,超音波による血流再構成の課題に対処する。

関連論文リスト

• Fluid Dynamics and Domain Reconstruction from Noisy Flow Images Using Physics-Informed Neural Networks and Quasi-Conformal Mapping [11.456430320090218]
  血流イメージングは血管内の血行動態に重要な情報を提供する。 しかし,高品質なフロー画像の取得は依然として大きな課題である。 本稿では,短時間の取得時間やデバイスによるエラーにより,アーチファクトに悩まされるようなフローイメージをデノベートする問題に対処する。
  論文  参考訳（メタデータ） (2025-08-15T04:49:07Z)
• Ultrasound Lung Aeration Map via Physics-Aware Neural Operators [78.6077820217471]
  肺超音波は、急性肺疾患や慢性肺疾患を診断するクリニックにおいて増加するモダリティである。 超音波による空気透過性の低下に起因する胸膜界面からの複雑な逆流によって複雑になる。 RFデータから肺エアレーションマップを直接再構成するAIモデルLUNAを提案する。
  論文  参考訳（メタデータ） (2025-01-02T09:24:34Z)
• Motion Artifact Removal in Pixel-Frequency Domain via Alternate Masks and Diffusion Model [58.694932010573346]
  MRI(MRI)における運動アーチファクトは臨床診断に深刻な干渉を与える可能性がある。 ノイズの多いMRI画像の画素周波数情報を利用して、事前学習した拡散モデルを誘導し、クリーンなMRI画像の復元を行う新しい教師なし浄化法を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:25:18Z)
• 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)
• Physics-informed neural networks for blood flow inverse problems [2.5543665891116163]
  物理インフォームドニューラルネットワーク(PINN)は、逆問題を解決する強力なツールとして登場した。 本研究では,上行大動脈における散乱2Dノイズ測定から低次モデルパラメータと全速度場を推定するためにPINN法を用いる。
  論文  参考訳（メタデータ） (2023-08-02T04:04:49Z)
• Data and Physics Driven Learning Models for Fast MRI -- Fundamentals and Methodologies from CNN, GAN to Attention and Transformers [72.047680167969]
  本稿では,畳み込みニューラルネットワークや生成的敵ネットワークに基づく手法を含む,高速MRIのためのディープラーニングに基づくデータ駆動手法を紹介する。 MRI加速のための物理とデータ駆動モデルの結合に関する研究について詳述する。 最後に, 臨床応用について紹介し, マルチセンター・マルチスキャナー研究における高速MRI技術におけるデータ調和の重要性と説明可能なモデルについて述べる。
  論文  参考訳（メタデータ） (2022-04-01T22:48:08Z)
• High-Precision Inversion of Dynamic Radiography Using Hydrodynamic Features [3.3441584690770134]
  本稿では, 時空間のラジオグラフィーから密度を復元する手法を提案する。 我々は、ラジオグラフィーで特定可能なロバストな特徴のみを用いて、ラジオグラフィーの動的シーケンスから密度場を決定する。 次に、パラメータ推定および流体力学多様体への投射過程を通じて、MLに基づく密度再構成の流体力学的整合性をさらに向上することを目的とする。
  論文  参考訳（メタデータ） (2021-12-02T22:36:00Z)

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。