論文の概要: Blind Ultrasound Image Enhancement via Self-Supervised Physics-Guided Degradation Modeling
- arxiv url: http://arxiv.org/abs/2601.21856v1
- Date: Thu, 29 Jan 2026 15:28:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-30 16:22:49.936365
- Title: Blind Ultrasound Image Enhancement via Self-Supervised Physics-Guided Degradation Modeling
- Title（参考訳）: 自己監督型物理誘導劣化モデルによるブラインド超音波画像の強調
- Authors: Shujaat Khan, Syed Muhammad Atif, Jaeyoung Huh, Syed Saad Azhar,
- Abstract要約: 監視強化手法は、クリーンターゲットや既知の劣化へのアクセスを前提としている。
本稿では,Bモード画像の変換・復調を行うブラインド型自己教師型拡張フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.619828919345113
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ultrasound (US) interpretation is hampered by multiplicative speckle, acquisition blur from the point-spread function (PSF), and scanner- and operator-dependent artifacts. Supervised enhancement methods assume access to clean targets or known degradations; conditions rarely met in practice. We present a blind, self-supervised enhancement framework that jointly deconvolves and denoises B-mode images using a Swin Convolutional U-Net trained with a \emph{physics-guided} degradation model. From each training frame, we extract rotated/cropped patches and synthesize inputs by (i) convolving with a Gaussian PSF surrogate and (ii) injecting noise via either spatial additive Gaussian noise or complex Fourier-domain perturbations that emulate phase/magnitude distortions. For US scans, clean-like targets are obtained via non-local low-rank (NLLR) denoising, removing the need for ground truth; for natural images, the originals serve as targets. Trained and validated on UDIAT~B, JNU-IFM, and XPIE Set-P, and evaluated additionally on a 700-image PSFHS test set, the method achieves the highest PSNR/SSIM across Gaussian and speckle noise levels, with margins that widen under stronger corruption. Relative to MSANN, Restormer, and DnCNN, it typically preserves an extra $\sim$1--4\,dB PSNR and 0.05--0.15 SSIM in heavy Gaussian noise, and $\sim$2--5\,dB PSNR and 0.05--0.20 SSIM under severe speckle. Controlled PSF studies show reduced FWHM and higher peak gradients, evidence of resolution recovery without edge erosion. Used as a plug-and-play preprocessor, it consistently boosts Dice for fetal head and pubic symphysis segmentation. Overall, the approach offers a practical, assumption-light path to robust US enhancement that generalizes across datasets, scanners, and degradation types.
- Abstract（参考訳）: 超音波(US)の解釈は、乗法的なスペックル、ポイントスプレッド関数(PSF)からの取得のぼかし、スキャナと演算子に依存したアーティファクトによって妨げられる。
監視強化手法は、クリーンターゲットや既知の劣化へのアクセスを前提としている。
本稿では,Bモード画像の共同生成とデノベートを行う,視覚的・自己指導型拡張フレームワークについて,emph{physics-guided}分解モデルを用いて訓練したスイニング畳み込みU-Netを用いて述べる。
各トレーニングフレームから、回転/クロッピングされたパッチを抽出し、入力を合成する。
i) ガウスのPSFサロゲートと結合し、
(II)位相/磁気歪みをエミュレートする空間付加型ガウス雑音または複雑なフーリエ領域摂動によりノイズを注入する。
アメリカにおけるスキャンでは、クリーンな標的は非局所ローランク(NLLR)によって取得され、地上の真実の必要性を排除している。
UDIAT~B, JNU-IFM, XPIE Set-Pでトレーニングおよび検証を行い,700イメージのPSFHSテストセットで評価した。
MSANN、Restormer、DnCNNとは対照的に、通常、重いガウス雑音下では$\sim$1--4\,dB PSNRと0.05-0.15 SSIM、厳しいスペックル下では$\sim$2--5\,dB PSNRと0.05-0.20 SSIMを保存している。
制御されたPSF研究は、FWHMと高いピーク勾配を減少させ、エッジ侵食を伴わない分解能回復の証拠を示した。
プラグ・アンド・プレイのプリプロセッサとして使用され、胎児の頭とパビックな症状のセグメンテーションのためにDiceを一貫して強化する。
全体として、このアプローチは、データセット、スキャナ、分解タイプをまたいで一般化する、堅牢な米国拡張への実用的な仮定ライトパスを提供する。
関連論文リスト
- A Contrastive Pre-trained Foundation Model for Deciphering Imaging Noisomics across Modalities [21.574587733837973]
ノイズ(Noisomics)とは、抑圧から体系的なノイズデコーディングへ焦点を移すフレームワークである。
CoPはコントラスト学習を用いて摂動から意味的信号を解き放つ。
CoPは従来のディープラーニングスケーリングの法則を破り、100のトレーニングサンプルだけで優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-01-21T02:52:34Z) - Diffusion Posterior Sampling for Super-Resolution under Gaussian Measurement Noise [0.0]
単一画像超解像(SISR)のための拡散後サンプリング(DPS)に関する研究
我々は,非条件拡散と勾配に基づく条件付けを併用した,確率誘導型サンプリング手法を実装した。
誘導尺度と雑音レベルによる後部サンプリング(PS)条件の評価を行った。
論文 参考訳（メタデータ） (2025-12-25T22:22:53Z) - Robustness and Imperceptibility Analysis of Hybrid Spatial-Frequency Domain Image Watermarking [0.0]
デジタルメディアの普及は、著作権保護とコンテンツ認証のための堅牢な方法を必要とする。
本稿では、フーリエ領域(Least Significant Bit - LSB)、周波数領域(Discrete Transform - DFT)、および新しいハイブリッド(LSB+DFT)アプローチを用いて実装されたデジタル画像透かし技術について包括的な研究を行う。
論文 参考訳（メタデータ） (2025-11-13T12:24:03Z) - Fast-RF-Shimming: Accelerate RF Shimming in 7T MRI using Deep Learning [25.158522994692273]
我々は従来のMLS法と比較して5000倍の高速化を実現するFast-RF-Shimmingを提案する。
我々の手法は、永続的不均一性問題に対処するための有望な解決策を示す。
論文 参考訳（メタデータ） (2025-01-21T14:09:58Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - Denoising Diffusion Models for Plug-and-Play Image Restoration [135.6359475784627]
本稿では,従来のプラグアンドプレイ方式を拡散サンプリングフレームワークに統合したDiffPIRを提案する。
DiffPIRは、差別的なガウスのデノイザーに依存するプラグアンドプレイIR法と比較して、拡散モデルの生成能力を継承することが期待されている。
論文 参考訳（メタデータ） (2023-05-15T20:24:38Z) - Degradation-Noise-Aware Deep Unfolding Transformer for Hyperspectral
Image Denoising [9.119226249676501]
ハイパースペクトル画像(HSI)は、帯域幅が狭いため、ノイズが多いことが多い。
HSIデータキューブのノイズを低減するため、モデル駆動型と学習型の両方の復調アルゴリズムが提案されている。
本稿では,これらの問題に対処するDNA-Net(Degradation-Noise-Aware Unfolding Network)を提案する。
論文 参考訳（メタデータ） (2023-05-06T13:28:20Z) - SAR Despeckling using a Denoising Diffusion Probabilistic Model [52.25981472415249]
スペックルの存在は画像品質を劣化させ、SAR画像理解アプリケーションの性能に悪影響を及ぼす。
本稿では,SAR脱種のための拡散確率モデルであるSAR-DDPMを紹介する。
提案手法は, 最先端の切り離し法と比較して, 定量化と定性化の両面で有意な改善を実現している。
論文 参考訳（メタデータ） (2022-06-09T14:00:26Z) - Unsupervised Single Image Super-resolution Under Complex Noise [60.566471567837574]
本稿では,一般のSISRタスクを未知の劣化で扱うためのモデルベースunsupervised SISR法を提案する。
提案手法は, より小さなモデル (0.34M vs. 2.40M) だけでなく, より高速な技術 (SotA) 法 (約1dB PSNR) の現況を明らかに超えることができる。
論文 参考訳（メタデータ） (2021-07-02T11:55:40Z) - Designing a Practical Degradation Model for Deep Blind Image
Super-Resolution [134.9023380383406]
単一画像スーパーレゾリューション (sisr) 法は, 推定劣化モデルが実画像から逸脱した場合はうまく動作しない。
本稿では, ランダムにシャッフルされたブラー, ダウンサンプリング, ノイズ劣化からなる, より複雑で実用的な劣化モデルを提案する。
論文 参考訳（メタデータ） (2021-03-25T17:40:53Z)
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。