論文の概要: CycleULM: A unified label-free deep learning framework for ultrasound localisation microscopy

• arxiv url: http://arxiv.org/abs/2603.09840v1
• Date: Tue, 10 Mar 2026 16:05:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.444022
• Title: CycleULM: A unified label-free deep learning framework for ultrasound localisation microscopy
• Title（参考訳）: CycleULM: 超音波ローカライゼーション顕微鏡のためのラベルフリー深層学習フレームワーク
• Authors: Su Yan, Clara Rodrigo Gonzalez, Vincent C. H. Leung, Herman Verinaz-Jadan, Jiakang Chen, Matthieu Toulemonde, Kai Riemer, Jipeng Yan, Clotilde Vié, Qingyuan Tan, Peter D. Weinberg, Pier Luigi Dragotti, Kevin G. Murphy, Meng-Xing Tang,
• Abstract要約: CycleULMは、超音波ローカライゼーション顕微鏡のための最初の統一されたラベルなしディープラーニングフレームワークである。 実際のコントラスト強化超音波データ領域と、単純化されたMBのみの領域の間の物理エミュレーションの変換を学ぶ。 サイコとインビボのデータセットの両方で、大幅なパフォーマンス向上を実現している。
• 参考スコア（独自算出の注目度）: 11.865029754524352
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Super-resolution ultrasound via microbubble (MB) localisation and tracking, also known as ultrasound localisation microscopy (ULM), can resolve microvasculature beyond the acoustic diffraction limit. However, significant challenges remain in localisation performance and data acquisition and processing time. Deep learning methods for ULM have shown promise to address these challenges, however, they remain limited by in vivo label scarcity and the simulation-to-reality domain gap. We present CycleULM, the first unified label-free deep learning framework for ULM. CycleULM learns a physics-emulating translation between the real contrast-enhanced ultrasound (CEUS) data domain and a simplified MB-only domain, leveraging the power of CycleGAN without requiring paired ground truth data. With this translation, CycleULM removes dependence on high-fidelity simulators or labelled data, and makes MB localisation and tracking substantially easier. Deployed as modular plug-and-play components within existing pipelines or as an end-to-end processing framework, CycleULM delivers substantial performance gains across both in silico and in vivo datasets. Specifically, CycleULM improves image contrast (contrast-to-noise ratio) by up to 15.3 dB and sharpens CEUS resolution with a 2.5{\times} reduction in the full width at half maximum of the point spread function. CycleULM also improves MB localisation performance, with up to +40% recall, +46% precision, and a -14.0 μm mean localisation error, yielding more faithful vascular reconstructions. Importantly, CycleULM achieves real-time processing throughput at 18.3 frames per second with order-of-magnitude speed-ups (up to ~14.5{\times}). By combining label-free learning, performance enhancement, and computational efficiency, CycleULM provides a practical pathway toward robust, real-time ULM and accelerates its translation to clinical applications.
• Abstract（参考訳）: 超音波ローカライゼーション顕微鏡(ULM)とも呼ばれるマイクロバブル(MB)による超高分解能超音波は、音響回折限界を超えて微小血管を分解することができる。 しかし、ローカライズパフォーマンスとデータ取得と処理時間に大きな課題が残っている。 ULMの深層学習手法はこれらの課題に対処することを約束しているが、それらはin vivoラベルの不足とシミュレーションと現実のドメインギャップによって制限されている。 ULMのための最初の統一型ラベルフリーディープラーニングフレームワークであるCycleULMを紹介する。 CycleULMは、実造影超音波(CEUS)データドメインと簡易MB専用ドメインとの物理エミュレーション変換を学習し、ペアの地上真実データを必要としないCycleGANのパワーを活用する。 この変換により、CycleULMは高忠実度シミュレータやラベル付きデータへの依存を排除し、MBのローカライゼーションと追跡を大幅に容易にする。 既存のパイプライン内でモジュール形式のプラグイン・アンド・プレイコンポーネントとしてデプロイされたり、エンドツーエンドの処理フレームワークとしてデプロイされたCycleULMは、シリコとインビボのデータセットの両方で、大幅なパフォーマンス向上を実現している。 具体的には、CycleULMは、画像コントラスト(コントラスト-ノイズ比)を最大15.3dB改善し、ポイントスプレッド関数の半分の幅で2.5{\times}の縮小でCEUS分解能を向上する。 CycleULMは、最大40%のリコール、+46%の精度でMBのローカライゼーション性能を改善し、-14.0μm平均のローカライゼーション誤差を発生させ、より忠実な血管再建をもたらす。 重要なことに、CycleULMは1秒あたり18.3フレームのリアルタイム処理スループットを、オーダー・オブ・マグニチュード・スピードアップ(最大14.5{\times})で達成している。 ラベルのない学習、性能向上、計算効率を組み合わせることで、CycleULMは堅牢でリアルタイムなULMへの実践的な経路を提供し、臨床応用への翻訳を加速する。

関連論文リスト

• FAIM: Frequency-Aware Interactive Mamba for Time Series Classification [87.84511960413715]
  時系列分類(TSC)は、環境モニタリング、診断、姿勢認識など、多くの実世界の応用において重要である。 本稿では,周波数対応対話型マンバモデルであるFAIMを提案する。 FAIMは既存の最先端(SOTA)手法を一貫して上回り、精度と効率のトレードオフが優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:36:33Z)
• Joint Learning using Mixture-of-Expert-Based Representation for Enhanced Speech Generation and Robust Emotion Recognition [54.44798086835314]
  音声感情認識(SER)は感情認識音声システム構築において重要な役割を担っているが,その性能は雑音下で著しく低下する。 本稿では, フレームワイド・エキスパート・ルーティングを自己教師付き音声表現に応用した, フレキシブルMTLフレームワークSparse Mixture-of-Experts Representation Integration Technique (Sparse MERIT)を提案する。 MSP-Podcastコーパスの実験では、Sparse MERITはSERとSEの両方のタスクのベースラインモデルより一貫して優れていた。
  論文  参考訳（メタデータ） (2025-09-10T10:18:56Z)
• PSDNorm: Test-Time Temporal Normalization for Deep Learning in Sleep Staging [63.05435596565677]
  我々は,モンジュマッピングと時間文脈を利用したPSDNormを提案し,信号の深層学習モデルにおける特徴写像の正規化を行う。 PSDNormは、BatchNormよりも4倍のデータ効率が高く、目に見えない左のデータセットで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-06T16:20:25Z)
• A Unified Framework for Microscopy Defocus Deblur with Multi-Pyramid Transformer and Contrastive Learning [3.3321350585823826]
  マルチピラミド変圧器 (MPT) と拡張周波数コントラスト正規化 (EFCR) は、顕微鏡欠陥の2つの課題に対処するために提案されている。 MPTは、各ネットワークステージに明示的なピラミッド構造を採用し、クロススケールウィンドウアテンションを統合している。 EFCRは、異なる周波数帯域からの潜伏遅延信号を探索することで、データ不足の問題に対処する。
  論文  参考訳（メタデータ） (2024-03-05T02:59:35Z)
• DB-LLM: Accurate Dual-Binarization for Efficient LLMs [83.70686728471547]
  大規模言語モデル(LLM)は自然言語処理の分野を著しく進歩させてきた。 既存の超低ビット量子化は、常に深刻な精度低下を引き起こす。 本稿では,LLM,すなわちDB-LLMのための新しいデュアルバイナライズ手法を提案する。
  論文  参考訳（メタデータ） (2024-02-19T09:04:30Z)
• Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
  本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。 我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
  論文  参考訳（メタデータ） (2023-10-04T03:32:39Z)
• Geometric Ultrasound Localization Microscopy [6.602729062703117]
  超音波局在顕微鏡(ULM)は10倍の高分解能を提供することで、画期的なブレークスルーを可能にした。 本研究は, ビームフォーミングがULMの最も効果的な処理ステップであるかどうかを問うものである。 楕円交叉によるマイクロバブル定位のための新しい幾何学的枠組みが,既存のビームフォーミング限界を克服するために提案されている。
  論文  参考訳（メタデータ） (2023-06-27T15:18:52Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• Convolutional Neural Network Denoising in Fluorescence Lifetime Imaging Microscopy (FLIM) [16.558653673949838]
  蛍光寿命イメージング顕微鏡(FLIM)システムは、その遅い処理速度、低信号対雑音比(SNR)、および高価で困難なハードウェアセットアップによって制限されています。 そこで本研究では,FLIM SNRを改善するために畳み込み畳み込みネットワークを適用した。 ネットワークは、アナログ信号処理に基づく高速なデータ取得、高効率パルス変調を用いた高SNR、オフザシェルフ無線周波数成分を用いたコスト効率実装を備えたインスタントFLIMシステムと統合される。
  論文  参考訳（メタデータ） (2021-03-07T03:27:44Z)

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。