論文の概要: IRSDE-Despeckle: A Physics-Grounded Diffusion Model for Generalizable Ultrasound Despeckling

• arxiv url: http://arxiv.org/abs/2602.22717v1
• Date: Thu, 26 Feb 2026 07:42:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.58182
• Title: IRSDE-Despeckle: A Physics-Grounded Diffusion Model for Generalizable Ultrasound Despeckling
• Title（参考訳）: IRSDE-Despeckle: 一般化可能な超音波の拡散モデル
• Authors: Shuoqi Chen, Yujia Wu, Geoffrey P. Luke,
• Abstract要約: 本稿では,画像復元微分方程式に基づく拡散型超音波脱スペック法を提案する。 教師付きトレーニングを実現するため,スペックルフリー磁気共鳴画像からの超音波画像のシミュレーションにより,大規模なペアデータセットをキュレートする。 提案したモデルは、解剖学的に意味のあるエッジとコントラストをスペックル圧縮画像に再構成する。
• 参考スコア（独自算出の注目度）: 0.2580765958706854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound imaging is widely used for real-time, noninvasive diagnosis, but speckle and related artifacts reduce image quality and can hinder interpretation. We present a diffusion-based ultrasound despeckling method built on the Image Restoration Stochastic Differential Equations framework. To enable supervised training, we curate large paired datasets by simulating ultrasound images from speckle-free magnetic resonance images using the Matlab UltraSound Toolbox. The proposed model reconstructs speckle-suppressed images while preserving anatomically meaningful edges and contrast. On a held-out simulated test set, our approach consistently outperforms classical filters and recent learning-based despeckling baselines. We quantify prediction uncertainty via cross-model variance and show that higher uncertainty correlates with higher reconstruction error, providing a practical indicator of difficult or failure-prone regions. Finally, we evaluate sensitivity to simulation probe settings and observe domain shift, motivating diversified training and adaptation for robust clinical deployment.
• Abstract（参考訳）: 超音波イメージングはリアルタイム、非侵襲的な診断に広く用いられているが、スペックルと関連するアーティファクトは画像の品質を低下させ、解釈を妨げる可能性がある。 本稿では,画像復元確率微分方程式に基づく拡散型超音波非特異化手法を提案する。 教師付きトレーニングを実現するため,Matilab UltraSound Toolboxを用いて,スペックルフリー磁気共鳴画像からの超音波画像のシミュレーションにより,大規模なペアデータセットをキュレートする。 提案モデルは,解剖学的に有意なエッジとコントラストを保持しながら,スペックル抑制画像の再構成を行う。 保持されたシミュレーションテストセットでは、従来のフィルタと最近の学習に基づく非特定ベースラインを一貫して上回ります。 モデル間分散による予測の不確かさを定量化し、高い不確かさが高い再構成誤差と相関していることを示し、難易度や故障率の高い領域の実用的な指標を提供する。 最後に、シミュレーションプローブの設定に対する感度を評価し、ドメインシフトを観察し、多彩なトレーニングとロバストな臨床展開のための適応を動機付ける。

関連論文リスト

• High-Fidelity Functional Ultrasound Reconstruction via A Visual Auto-Regressive Framework [58.07923338080814]
  機能的神経側頭葉イメージングはマッピングに例外的な解像度を提供する。 しかし、その実践的応用は重大な課題によって妨げられている。 データ不足、倫理的考慮、信号劣化などが含まれる。
  論文  参考訳（メタデータ） (2025-05-23T15:27:17Z)
• Synomaly Noise and Multi-Stage Diffusion: A Novel Approach for Unsupervised Anomaly Detection in Medical Images [32.99597899937902]
  医用画像における異常検出は、様々な画像モダリティにおける病理領域の同定において重要な役割を担っている。 本研究では,合成ノイズ関数と多段階拡散過程を組み込んだ拡散モデルに基づく新しい教師なし異常検出フレームワークを提案する。 脳MRI,肝CT,頸動脈USデータセットに対する提案手法の検証を行った。
  論文  参考訳（メタデータ） (2024-11-06T15:43:51Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• PHOCUS: Physics-Based Deconvolution for Ultrasound Resolution Enhancement [36.20701982473809]
  超音波イメージングシステムのインパルス機能はポイントスプレッド機能(PSF)と呼ばれ、画像形成過程における反射体の空間分布と結びついている。 我々は、より一般的なBモード画像を直接扱う、モデル付きPSFを用いた物理ベースのデコンボリューションプロセスを導入する。 Inlicit Neural Representations (INR) を利用することで、空間位置からそれぞれのエコー原性値への連続的なマッピングを学習し、離散化された画像空間を効果的に補償する。
  論文  参考訳（メタデータ） (2024-08-07T09:52:30Z)
• Ultrasound Imaging based on the Variance of a Diffusion Restoration Model [7.360352432782388]
  本稿では, 線形直列モデルと学習に基づく先行モデルを組み合わせたハイブリッド再構成手法を提案する。 我々は,高品質な画像再構成を実現するための分散イメージング手法の有効性を実証し,合成,in-vitro,in-vivoデータの実験を行った。
  論文  参考訳（メタデータ） (2024-03-22T16:10:38Z)
• Diffusion Reconstruction of Ultrasound Images with Informative Uncertainty [5.375425938215277]
  超音波画像の品質を高めるには、コントラスト、解像度、スペックル保存といった同時的な要因のバランスを取る必要がある。 拡散モデルの進歩を生かしたハイブリッドアプローチを提案する。 シミュレーション,in-vitro,in-vivoデータの総合的な実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2023-10-31T16:51:40Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。