論文の概要: DiffSOS: Acoustic Conditional Diffusion Model for Speed-of-Sound Reconstruction in Ultrasound Computed Tomography
- arxiv url: http://arxiv.org/abs/2603.00382v1
- Date: Fri, 27 Feb 2026 23:51:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.166183
- Title: DiffSOS: Acoustic Conditional Diffusion Model for Speed-of-Sound Reconstruction in Ultrasound Computed Tomography
- Title（参考訳）: DiffSOS:超音波CTにおける音速再構成のための音響条件拡散モデル
- Authors: Yujia Wu, Shuoqi Chen, Shiru Wang, Yucheng Tang, Petr Bruza, Geoffrey P. Luke,
- Abstract要約: 音響波形を直接SoSマップにマッピングする条件拡散モデルDiffSOSを提案する。
本フレームワークでは,物理波計測におけるデノナイジング過程の基盤として,特殊音響制御ネットを用いている。
我々は,我々のフレームワークの生成特性を利用して画素単位の不確実性を推定し,信頼性の尺度を提供する。
- 参考スコア（独自算出の注目度）: 2.6915545700357986
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Accurate Speed-of-Sound (SoS) reconstruction from acoustic waveforms is a cornerstone of ultrasound computed tomography (USCT), enabling quantitative velocity mapping that reveals subtle anatomical details and pathological variations often invisible in conventional imaging. However, practical utility is hindered by the limitations of existing algorithms; traditional Full Waveform Inversion (FWI) is computationally intensive, while current deep learning approaches tend to produce oversmoothed results lacking fine details. We propose DiffSOS, a conditional diffusion model that directly maps acoustic waveforms to SoS maps. Our framework employs a specialized acoustic ControlNet to strictly ground the denoising process in physical wave measurements. To ensure structural consistency, we optimize a hybrid loss function that integrates noise prediction, spatial reconstruction, and noise frequency content. To accelerate inference, we employ stochastic Denoising Diffusion Implicit Model (DDIM) sampling, achieving near real-time reconstruction with only 10 steps. Crucially, we exploit the stochastic generative nature of our framework to estimate pixel-wise uncertainty, providing a measure of reliability that is often absent in deterministic approaches. Evaluated on the OpenPros USCT benchmark, DiffSOS significantly outperforms state-of-the-art networks, achieving an average Multi-scale Structural Similarity of 0.957. Our approach provides high-fidelity SoS maps with a principled measure of confidence, facilitating safer and faster clinical interpretation.
- Abstract（参考訳）: 超音波断層法(USCT)の基盤となる音響波形からの正確な音速(SoS)再構成は、従来の画像では見えない微妙な解剖学的詳細や病理学的変化を明らかにする定量的な速度マッピングを可能にする。
従来のFull Waveform Inversion (FWI) は計算集約的であるのに対して、現在のディープラーニングアプローチでは細部が不明瞭な結果を生み出す傾向にある。
音響波形を直接SoSマップにマッピングする条件拡散モデルDiffSOSを提案する。
本フレームワークでは,物理波計測におけるデノナイジング過程を厳格に把握するために,特殊音響制御ネットを用いている。
構造的整合性を確保するため,ノイズ予測,空間再構成,ノイズ周波数コンテンツを統合したハイブリッド損失関数を最適化する。
推論を高速化するために,確率的拡散拡散インプリシットモデル(DDIM)を用いて,10ステップでほぼリアルタイムに再構成を行う。
重要なことに、我々は、我々のフレームワークの確率的生成特性を利用して、画素単位の不確実性を推定し、決定論的アプローチでしばしば欠落する信頼性の尺度を提供する。
OpenPros USCTベンチマークで評価すると、DiffSOSは最先端ネットワークよりも優れており、平均して0.957のマルチスケール構造的類似性を実現している。
提案手法は,高忠実度 SoS マップに信頼性の原則的尺度を付与し,より安全かつ高速な臨床解釈を容易にする。
関連論文リスト
- IRSDE-Despeckle: A Physics-Grounded Diffusion Model for Generalizable Ultrasound Despeckling [0.2580765958706854]
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。
論文 参考訳（メタデータ） (2026-02-26T07:42:25Z) - Stabilizing Diffusion Posterior Sampling by Noise--Frequency Continuation [52.736416985173776]
高雑音下では、不正確な推定から計算されたデータ一貫性勾配は、後部幾何学と幾何的に一致しない。
本稿では、雑音依存周波数帯域内でのみ測定一貫性を強制する中間部分の連続的なファミリを構成するノイズ周波数継続フレームワークを提案する。
提案手法は最先端性能を実現し,強いベースライン上で最大5dBのPSNRの動作劣化を改善する。
論文 参考訳（メタデータ） (2026-01-30T03:14:01Z) - Iterative Inference-time Scaling with Adaptive Frequency Steering for Image Super-Resolution [75.3690742776891]
適応周波数ステアリング(IAFS)を用いた反復拡散推論時間スケーリングを提案する。
IAFSは、構造的偏差の反復的補正によって生成した画像を徐々に精細化することで、知覚品質と構造的忠実性のバランスをとるという課題に対処する。
実験の結果、IAFSは知覚と忠実性の対立を効果的に解決し、知覚の細部と構造的精度を一貫して改善し、既存の推論時間スケーリング手法よりも優れていた。
論文 参考訳（メタデータ） (2025-12-29T15:09:20Z) - Towards Frequency-Adaptive Learning for SAR Despeckling [10.764049665817629]
分割・分散アーキテクチャに基づく周波数適応型ヘテロジニアスデスペクリングモデルを提案する。
ノイズ特性の異なるサブネットワークを設計し,周波数成分の異なるサブネットワークを設計する。
エッジやテクスチャに富んだ高周波サブバンドに対して,ノイズ抑制と機能強化のための変形可能な畳み込みを備えた拡張U-Netを導入する。
論文 参考訳（メタデータ） (2025-11-08T07:08:22Z) - Diffusion-Based Limited-Angle CT Reconstruction under Noisy Conditions [10.287171164361608]
角投影の欠如は、再構成された画像の不完全なシノグラムやアーティファクトに繋がる。
本稿では, 平均回帰微分方程式(MR-SDE)を用いて, 角ビューの欠落を解消する拡散型フレームワークを提案する。
現実的な雑音下でのロバスト性を改善するために,推論時間不確実性を明示的にモデル化する新しいノイズ認識機構を提案する。
論文 参考訳（メタデータ） (2025-07-08T03:58:52Z) - Noise Level Adaptive Diffusion Model for Robust Reconstruction of Accelerated MRI [34.361078452552945]
実世界のMRIは、熱ゆらぎによる固有のノイズを既に含んでいる。
そこで本研究では,Nila-DC (NoIse Level Adaptive Data Consistency) を用いた後方サンプリング手法を提案する。
提案手法は最先端のMRI再構成法を超越し,様々なノイズレベルに対して高い堅牢性を有する。
論文 参考訳（メタデータ） (2024-03-08T12:07:18Z) - Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。
本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
論文 参考訳（メタデータ） (2023-05-23T12:56:01Z) - DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。
高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。
異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
論文 参考訳（メタデータ） (2023-03-15T16:14:06Z) - Q-Diffusion: Quantizing Diffusion Models [52.978047249670276]
ポストトレーニング量子化(PTQ)は、他のタスクに対するゴーツー圧縮法であると考えられている。
本稿では,一意なマルチステップパイプラインとモデルアーキテクチャに適した新しいPTQ手法を提案する。
提案手法は,完全精度の非条件拡散モデルを同等の性能を維持しつつ4ビットに定量化できることを示す。
論文 参考訳（メタデータ） (2023-02-08T19:38:59Z) - Representing Noisy Image Without Denoising [91.73819173191076]
ラドン空間におけるフラクショナルオーダーモーメント(FMR)は、ノイズの多い画像から直接ロバストな表現を引き出すように設計されている。
従来の整数順序法とは異なり、我々の研究は特別な場合のような古典的手法を取り入れたより汎用的な設計である。
論文 参考訳（メタデータ） (2023-01-18T10:13:29Z) - 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) - Phase Aberration Robust Beamformer for Planewave US Using
Self-Supervised Learning [41.10604715789614]
本稿では,位相収差堅牢な平面波イメージングを実現する3次元CNNを提案する。
我々のアプローチは、ネットワークが様々な位相収差画像から高品質な画像を堅牢に生成するために、自己教師型で訓練されているという点で独特である。
論文 参考訳（メタデータ） (2022-02-16T12:17:01Z)
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。