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
• Authors: Shourov Joarder, Tushar Talukder Showrav, Md. Kamrul Hasan,
• 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

• 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)
• 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。