論文の概要: Multi-Stage Residual-Aware Unsupervised Deep Learning Framework for Consistent Ultrasound Strain Elastography

• arxiv url: http://arxiv.org/abs/2511.15640v1
• Date: Wed, 19 Nov 2025 17:22:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.922383
• Title: Multi-Stage Residual-Aware Unsupervised Deep Learning Framework for Consistent Ultrasound Strain Elastography
• Title（参考訳）: 連続超音波ひずみエラストグラフィのための多段階残響教師なしディープラーニングフレームワーク
• Abstract要約: Ultrasound Strain Elastography (USE)は、組織力学的特性を評価するための強力な非侵襲イメージング技術である。 我々は,頑健かつ一貫したひずみ推定のための残差認識・多段階非教師付き逐次ディープラーニングフレームワークであるMUSSE-Netを提案する。 MUSSE-Netは24.54の目標SNR、132.76のバックグラウンドSNR、59.81のCNR、9.73のエラストグラフSNRで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 0.9698885636466451
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ultrasound Strain Elastography (USE) is a powerful non-invasive imaging technique for assessing tissue mechanical properties, offering crucial diagnostic value across diverse clinical applications. However, its clinical application remains limited by tissue decorrelation noise, scarcity of ground truth, and inconsistent strain estimation under different deformation conditions. Overcoming these barriers, we propose MUSSE-Net, a residual-aware, multi-stage unsupervised sequential deep learning framework designed for robust and consistent strain estimation. At its backbone lies our proposed USSE-Net, an end-to-end multi-stream encoder-decoder architecture that parallelly processes pre- and post-deformation RF sequences to estimate displacement fields and axial strains. The novel architecture incorporates Context-Aware Complementary Feature Fusion (CACFF)-based encoder with Tri-Cross Attention (TCA) bottleneck with a Cross-Attentive Fusion (CAF)-based sequential decoder. To ensure temporal coherence and strain stability across varying deformation levels, this architecture leverages a tailored consistency loss. Finally, with the MUSSE-Net framework, a secondary residual refinement stage further enhances accuracy and suppresses noise. Extensive validation on simulation, in vivo, and private clinical datasets from Bangladesh University of Engineering and Technology (BUET) medical center, demonstrates MUSSE-Net's outperformed existing unsupervised approaches. On MUSSE-Net achieves state-of-the-art performance with a target SNR of 24.54, background SNR of 132.76, CNR of 59.81, and elastographic SNR of 9.73 on simulation data. In particular, on the BUET dataset, MUSSE-Net produces strain maps with enhanced lesion-to-background contrast and significant noise suppression yielding clinically interpretable strain patterns.
• Abstract（参考訳）: Ultrasound Strain Elastography (USE)は、組織力学的特性を評価するための強力な非侵襲イメージング技術であり、様々な臨床応用において重要な診断価値を提供する。 しかし, その臨床応用は, 組織劣化ノイズ, 地中真実の欠如, 変形条件の異なる不整合ひずみ推定によって制限されている。 これらの障壁を克服し,頑健かつ一貫したひずみ推定のために設計された残留認識型多段階教師なしシーケンシャルディープラーニングフレームワークであるMUSSE-Netを提案する。 提案するUSSE-Netは,前および後RFシーケンスを並列に処理し,変位場と軸ひずみを推定する,エンドツーエンドのマルチストリームエンコーダ・デコーダアーキテクチャである。 新たなアーキテクチャでは、CACFF(Context-Aware Complementary Feature Fusion)ベースのエンコーダと、Tri-Cross Attention(TCA)ボトルネックと、CAF(Cross-Attentive Fusion)ベースのシーケンシャルデコーダが組み込まれている。 変形レベルの異なる時間的コヒーレンスとひずみ安定性を確保するために、このアーキテクチャは調整された整合損失を利用する。 最後に、MUSSE-Netフレームワークにより、二次残留改善段階はさらに精度を高め、ノイズを抑制する。 バングラデシュ工科大学(BUET)医療センターのシミュレーション、in vivo、プライベートな臨床データセットの広範な検証は、MUSSE-Netの既存の教師なしアプローチよりも優れていたことを実証している。 MUSSE-Netでは、目標SNRが24.54、バックグラウンドSNRが132.76、CNRが59.81、エラストグラフィSNRが9.73である。 特に、BUETデータセットでは、MUSSE-Netは、病変と背景のコントラストの増大と、臨床的に解釈可能な歪みパターンをもたらす顕著なノイズ抑制を備えたひずみマップを生成する。

関連論文リスト

• A deep dictionary network-based foundation model for ultra-low-dose CT denoising [49.70293041079032]
  超低線量CT(Ultra-low-Dose Computed Tomography, ULDCT)は放射線照射を減少させるが、診断画像の品質を低下させる重音に悩まされる。 既存のディープラーニングに基づくdenoising法は、通常、臓器固有の方法で訓練される。 深部辞書ネットワーク(DDN)をベースとしたアーキテクチャ可能な基盤モデルを提案する。
  論文  参考訳（メタデータ） (2026-09-11T05:14:08Z)
• Null-Space Diffusion Restoration with Adaptive Uncertainty-Guided Fusion for Ultrasound Speckle Reduction [2.081691729410268]
  超音波Bモードイメージングは通常、スペックルノイズやアーティファクトに悩まされる。 新しい不確実性誘導型ヌル空間拡散(UGNS)フレームワークは、安定化された正エンベローププロキシ上での整合性を強制する。 UGNSは細かな空間分解能を保ちながらスペックルノイズを効果的に抑制することが検証された。
  論文  参考訳（メタデータ） (2026-08-30T14:45:13Z)
• RetiWave-Mamba: A Dual-Stream Network for Retinal Disease Detection based on Multi-scale Context and Frequency-Adaptive Mamba Projection [11.498068680313613]
  本稿では、空間周波数領域学習と最先端状態空間モデルを統合する新しいフレームワークRetiWave-Mambaを提案する。 提案手法は,既存の手法を超越して,最先端(SOTA)分類精度98.25%を実現する。
  論文  参考訳（メタデータ） (2026-08-18T10:38:59Z)
• Unsupervised Metal Artifact Reduction in Dental CBCT using Fine-tuned Cycle-Consistent Adversarial Networks [0.0]
  歯科インプラントにより生成された金属遺物は, コーンビームCT(CBCT)ボリュームを著しく低下させた。 高忠実度復元に最適化されたCycleGAN(Cycle-Consistent Adversarial Network)を用いた金属アーチファクト削減(MAR)のための教師なしディープラーニングフレームワークが提案されている。 このアーキテクチャは、U-NetベースのジェネレータとPatchGAN識別器を統合しており、特に、発生幻覚を緩和し、形態的整合性を維持するために調整されている。
  論文  参考訳（メタデータ） (2026-07-23T06:55:02Z)
• Multi-Contrast MRI Motion Correction via Parameter-Informed Disentanglement and Adaptive Experts [56.74856091904914]
  パラメータインフォームドコントラストと重度適応補正を組み合わせた統合フレームワークを提案する。 ScanCLIPは、取得パラメータからアンタングルコントラストスタイルへのコントラスト埋め込みを解剖学的内容から導き、コントラストのない特徴をもたらす。 ビジョントランスフォーマーは、動きの重大度を推定し、Mixture-of-Expertsネットワークを介して特徴をルーティングし、ターゲットのアーティファクト修正を可能にする。
  論文  参考訳（メタデータ） (2026-05-29T02:48:23Z)
• CT-DegradBench: A Physics-Informed Benchmark for CT Degradation Detection and Severity Estimation [42.85377247586073]
  我々は,CT劣化検出と重度推定のためのデータセットとベンチマークであるCT-DegradBenchを提案する。 本稿では,医用視覚言語モデルのセマンティック先行と,人工物分析のための補完周波数領域キューを組み合わせたフレームワークであるSeSpeCTを提案する。
  論文  参考訳（メタデータ） (2026-05-14T19:30:00Z)
• Information-Theoretic Optimization for Task-Adapted Compressed Sensing Magnetic Resonance Imaging [92.90858286761515]
  タスク適応型圧縮型磁気共鳴画像(CS-MRI)は、下流臨床の特定の要求に対処するために出現している。 本稿では,不確実性予測のための確率的推論を同時に達成するために,情報理論の観点から最初のタスク適応型CS-MRIを提案する。 我々は、アモータイズされた最適化を活用し、抽出、再構成、タスク推論モデルを共同で最適化するために、相互情報に対してトラクタブルな変動境界を構築する。
  論文  参考訳（メタデータ） (2026-04-14T13:23:19Z)
• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• Dual-Encoder Transformer-Based Multimodal Learning for Ischemic Stroke Lesion Segmentation Using Diffusion MRI [5.332404648315838]
  ISLES 2022データセットからのマルチモーダル拡散MRIを用いて虚血性脳梗塞の分節について検討した。 U-Net、Swin-UNet、TransUNetなど、最先端の畳み込みとトランスフォーマーベースのアーキテクチャがベンチマークされている。 その結果、トランスフォーマーベースのモデルは畳み込みベースラインよりも優れており、提案したデュアルエンコーダのTransUNetは、テストセットで85.4%のDiceスコアに達した。
  論文  参考訳（メタデータ） (2025-12-23T15:24:31Z)
• A Semantically Enhanced Generative Foundation Model Improves Pathological Image Synthesis [82.01597026329158]
  本稿では,組織合成のための相関調整フレームワーク(CRAFTS)について紹介する。 CRAFTSは、生物学的精度を確保するためにセマンティックドリフトを抑制する新しいアライメント機構を組み込んでいる。 本モデルは,30種類の癌にまたがる多彩な病理像を生成する。
  論文  参考訳（メタデータ） (2025-12-15T10:22:43Z)
• Uncertainty-Aware Domain Adaptation for Vitiligo Segmentation in Clinical Photographs [4.19421520851419]
  治療反応の経時的モニタリングには, 日常的な臨床写真における精査範囲の正確な定量化が不可欠である。 我々は,ISIC 2019データセット上でのドメイン適応型事前学習とROIに基づく二重タスク損失を組み合わせ,背景雑音を抑制するデータ効率のトレーニング戦略を提案する。 本フレームワークは破滅的障害をゼロに高い信頼性を示し,診断可能なエントロピーマップを提供し,臨床検査のための曖昧な領域を同定する。
  論文  参考訳（メタデータ） (2025-12-12T18:56:21Z)
• EndoIR: Degradation-Agnostic All-in-One Endoscopic Image Restoration via Noise-Aware Routing Diffusion [46.28090293978096]
  内視鏡画像はしばしば、低照度、煙、出血などの多彩で共起的な劣化に悩まされる。 既存の復元方法は一般にタスク固有であり、しばしば分解型の事前知識を必要とする。 単一モデルを用いて複数の劣化型を復元する,劣化非依存拡散に基づくフレームワークであるEndoIRを提案する。
  論文  参考訳（メタデータ） (2025-11-08T06:17:51Z)
• TCIP: Threshold-Controlled Iterative Pyramid Network for Deformable Medical Image Registration [21.283219565079413]
  ピラミッドネットワークにおける各デコード層のコアコンポーネントとして機能強化残留モジュール(FERM)を提案する。 FERMは、解剖学的意味的特徴を抽出し、無関係な特徴を抑えることを学習し、最終的な変形場を推定する3つの連続ブロックから構成される。 我々は FERM と TCI をThreshold-Controlled Iterative Pyramid (TCIP) として統合するモデルを作成した。
  論文  参考訳（メタデータ） (2025-10-09T01:38:40Z)
• EqDiff-CT: Equivariant Conditional Diffusion model for CT Image Synthesis from CBCT [43.92108185590778]
  画像誘導放射線療法(IGRT)に広く用いられているコーンビームCT(CBCT) CBCTから高品質なCT画像を生成するために,EqDiff-CTという新しい拡散型条件生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-09-26T05:51:59Z)
• HDC: Hierarchical Distillation for Multi-level Noisy Consistency in Semi-Supervised Fetal Ultrasound Segmentation [2.964206587462833]
  HDCと呼ばれる新しい半教師付きセグメンテーションフレームワークが提案されている。 この枠組みは,特徴表現の整合化のための相関誘導損失と,雑音の多い学生学習を安定化するための相互情報損失の2つの目的を持つ階層的蒸留機構を導入している。
  論文  参考訳（メタデータ） (2025-04-14T04:52:24Z)
• Bridging Synthetic-to-Real Gaps: Frequency-Aware Perturbation and Selection for Single-shot Multi-Parametric Mapping Reconstruction [32.9964969428107]
  医用画像再構成のための周波数認識摂動・選択法(FPS)を提案する。 摂動は不確実性の中でドメイン不変の特徴学習を活性化し、選択は摂動の中で最適な解を洗練させる。 健常者5名,虚血性脳梗塞患者94名,髄膜腫患者46名を対象に,FPSの優位性と臨床応用性を実証した。
  論文  参考訳（メタデータ） (2025-03-05T13:10:11Z)
• DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
  Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。 DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。 LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
  論文  参考訳（メタデータ） (2024-04-27T12:55:13Z)
• DEFN: Dual-Encoder Fourier Group Harmonics Network for Three-Dimensional Indistinct-Boundary Object Segmentation [6.0920148653974255]
  本稿では,学習コーパス内の不明瞭な境界オブジェクトの表現多様性を高めるために,欠陥注入(SDi)を導入する。 そこで我々はDEFN(Dual-Encoder Fourier Group Harmonics Network)を提案する。
  論文  参考訳（メタデータ） (2023-11-01T12:33:04Z)
• You Only Train Once: A Unified Framework for Both Full-Reference and No-Reference Image Quality Assessment [45.62136459502005]
  本稿では,完全な参照 (FR) と非参照 (NR) IQA を行うネットワークを提案する。 まず、入力画像から多レベル特徴を抽出するためにエンコーダを用いる。 FRおよびNR入力のユニバーサルアダプタとして階層的注意(HA)モジュールを提案する。 エンコーダの浅い層と深い層との間の特徴相関を調べるために, セマンティック・ディストーション・アウェア (SDA) モジュールを提案する。
  論文  参考訳（メタデータ） (2023-10-14T11:03:04Z)
• K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment [71.27193056354741]
  クロスモダリティな医用画像合成をどう評価するかという問題は、ほとんど解明されていない。 本稿では,この課題の進展を促すため,新しい指標K-CROSSを提案する。 K-CROSSは、トレーニング済みのマルチモードセグメンテーションネットワークを使用して、病変の位置を予測する。
  論文  参考訳（メタデータ） (2023-07-10T01:26:48Z)
• Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
  機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。 発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。 ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2023-05-18T06:54:56Z)

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。