論文の概要: ASBA: A-line State Space Model and B-line Attention for Sparse Optical Doppler Tomography Reconstruction

• arxiv url: http://arxiv.org/abs/2601.14165v1
• Date: Tue, 20 Jan 2026 17:17:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.427223
• Title: ASBA: A-line State Space Model and B-line Attention for Sparse Optical Doppler Tomography Reconstruction
• Title（参考訳）: ASBA:Sparse Optical Doppler Tomography におけるAライン状態空間モデルとBライン注意
• Authors: Zhenghong Li, Wensheng Cheng, Congwu Du, Yingtian Pan, Zhaozheng Yin, Haibin Ling,
• Abstract要約: 横軸(B線)に沿って1次元深度分解生Aスキャン(A線)を順次取得して2次元光ドップラートモグラフィ(ODT)画像(B線)を生成する。 現在のプラクティスは、スキャン時間が長くなり、ストレージの需要が増加し、急激な血流動態の捕捉が制限される、密度の高いサンプリングに依存している。 そこで本研究では,高度にサンプル化した生のAスキャンからODT画像の再構成を行うために,ASBAという新しい血流認識ネットワークを導入する。
• 参考スコア（独自算出の注目度）: 52.60553814186938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Optical Doppler Tomography (ODT) is an emerging blood flow analysis technique. A 2D ODT image (B-scan) is generated by sequentially acquiring 1D depth-resolved raw A-scans (A-line) along the lateral axis (B-line), followed by Doppler phase-subtraction analysis. To ensure high-fidelity B-scan images, current practices rely on dense sampling, which prolongs scanning time, increases storage demands, and limits the capture of rapid blood flow dynamics. Recent studies have explored sparse sampling of raw A-scans to alleviate these limitations, but their effectiveness is hindered by the conservative sampling rates and the uniform modeling of flow and background signals. In this study, we introduce a novel blood flow-aware network, named ASBA (A-line ROI State space model and B-line phase Attention), to reconstruct ODT images from highly sparsely sampled raw A-scans. Specifically, we propose an A-line ROI state space model to extract sparsely distributed flow features along the A-line, and a B-line phase attention to capture long-range flow signals along each B-line based on phase difference. Moreover, we introduce a flow-aware weighted loss function that encourages the network to prioritize the accurate reconstruction of flow signals. Extensive experiments on real animal data demonstrate that the proposed approach clearly outperforms existing state-of-the-art reconstruction methods.
• Abstract（参考訳）: 光ドップラートモグラフィー(ODT)は、新しい血流解析技術である。 横軸(B線)に沿って1D深度分解生のA線(A線)を順次取得し、2D ODT画像(B線)を生成し、次いでドップラー位相抽出解析を行う。 高忠実度Bスキャン画像を確保するため、現在のプラクティスは、スキャン時間を長くし、ストレージ要求を増やし、急速な血流動態の捕捉を制限する高密度サンプリングに依存している。 最近の研究では、これらの制限を緩和するために生のAスキャンのスパースサンプリングを検討したが、その有効性は、保守的なサンプリングレートと流れと背景信号の均一なモデリングによって妨げられている。 本研究では,ABA (A-line ROI state space model and B-line phase Attention) と呼ばれる新しい血流認識ネットワークを導入する。 具体的には,Aラインに沿った疎分散フロー特徴を抽出するAラインROI状態空間モデルと,Bラインの位相差に基づいて各Bラインに沿って長距離フロー信号を捕捉するBライン位相アテンションを提案する。 さらに,フロー信号の正確な復元を優先する重み付き損失関数を導入する。 実際の動物データに対する大規模な実験により、提案手法は既存の最先端の復元方法よりも明らかに優れていることが示された。

関連論文リスト

• PWD: Prior-Guided and Wavelet-Enhanced Diffusion Model for Limited-Angle CT [6.532073662427578]
  LACT再構成のための先行情報埋め込みとウェーブレット特徴融合高速サンプリング拡散モデルを提案する。 PWDは、LACTの再構成忠実性を保ちながら効率的なサンプリングを可能にする。 PWDは50ステップしかサンプリングしないため、PSNRの少なくとも1.7dB改善とSSIMの10%向上を実現している。
  論文  参考訳（メタデータ） (2025-06-30T08:28:32Z)
• Sparse Reconstruction of Optical Doppler Tomography with Alternative State Space Model and Attention [40.038375224016235]
  2次元光コヒーレンスドプラトモグラフィー(ODT)画像は、B線に沿って生のAスキャンのドップラー位相サブトラクションを介して断面流像を再構成することにより形成する。 高忠実度Bスキャンを得るには、Aスキャンを高密度にサンプリングする必要があるため、スキャン時間が長くなり、保存要求が増大する。 本稿では,Aスキャンを効果的に削減する代替状態空間アテンションネットワーク(ASSAN)を用いた,新しいスパースODT再構成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-04-26T15:37:50Z)
• DopUS-Net: Quality-Aware Robotic Ultrasound Imaging based on Doppler Signal [48.97719097435527]
  DopUS-Netはドップラー画像とBモード画像を組み合わせることで、小血管のセグメンテーション精度と堅牢性を高める。 動脈再同定モジュールは、リアルタイムセグメンテーション結果を質的に評価し、拡張ドップラー画像に対するプローブポーズを自動的に最適化する。
  論文  参考訳（メタデータ） (2023-05-15T18:19:29Z)
• Deep Unfolded Recovery of Sub-Nyquist Sampled Ultrasound Image [94.42139459221784]
  本稿では,ISTAアルゴリズムの展開に基づく時空間領域におけるサブNyquistサンプルからの再構成手法を提案する。 本手法は,高品質な撮像性能を確保しつつ,配列要素数,サンプリングレート,計算時間を削減できる。
  論文  参考訳（メタデータ） (2021-03-01T19:19:38Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

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。