論文の概要: DenOiS: Dual-Domain Denoising of Observation and Solution in Ultrasound Image Reconstruction

• arxiv url: http://arxiv.org/abs/2604.02105v1
• Date: Thu, 02 Apr 2026 14:35:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.858302
• Title: DenOiS: Dual-Domain Denoising of Observation and Solution in Ultrasound Image Reconstruction
• Title（参考訳）: DenOiS: 超音波画像再構成における観測と解法を二重に記述する
• Authors: Can Deniz Bezek, Orcun Goksel,
• Abstract要約: 医用画像は、不完全性(単純化/線形化)イメージングモデルを使用し、しばしば不正確で不完全な測定から組織特性を回復することを目的としている。 解析的再構成法は手作りの正規化に依存し、雑音の仮定やパラメータチューニング領域に敏感である。 本稿では,入射観測と撮像モデルの精度を両立させるフレームワークであるDeniSを提案する。 定量的超音波画像再構成の課題として,音速画像の高速化を実証する。
• 参考スコア（独自算出の注目度）: 1.711666249985278
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Medical imaging aims to recover underlying tissue properties, using inexact (simplified/linearized) imaging models and often from inaccurate and incomplete measurements. Analytical reconstruction methods rely on hand-crafted regularization, sensitive to noise assumptions and parameter tuning. Among deep learning alternatives, plug-and-play (PnP) approaches learn regularization while incorporating imaging physics during inference, outperforming purely data-driven methods. The performance of all these approaches, however, still strongly depends on measurement quality and imaging model accuracy. In this work, we propose DenOiS, a framework that denoises both input observations and resulting solution in their respective domains. It consists of an observation refinement strategy that corrects degraded measurements while compensating for imaging model simplifications, and a diffusion-based PnP reconstruction approach that remains robust under missing measurements. DenOiS enables generalization to real data from training only in simulations, resulting in high-fidelity image reconstruction with noisy observations and inexact imaging models. We demonstrate this for speed-of-sound imaging as a challenging setting of quantitative ultrasound image reconstruction.
• Abstract（参考訳）: 医用画像は、不正確な(単純化・線化)イメージングモデルを使用し、しばしば不正確で不完全な測定から組織特性を回復することを目的としている。 解析的再構成法は手作りの正規化に依存し、雑音の仮定やパラメータチューニングに敏感である。 ディープラーニングの代替として、プラグ・アンド・プレイ(PnP)アプローチは、推論中に画像物理を取り入れて正規化を学習し、純粋にデータ駆動手法より優れている。 しかし,これらすべての手法の性能は,計測精度と画像モデルの精度に大きく依存している。 本研究では,各領域における入力観測と結果解を両立させるフレームワークであるDenOiSを提案する。 画像モデルの単純化を補正しながら、劣化測定を補正する観察改善戦略と、不足測定下でも頑健な拡散型PnP再構成アプローチから構成される。 DenOiSは、シミュレーションでのみトレーニングからの実データへの一般化を可能にし、ノイズの観測と不正確な画像モデルによる高忠実な画像再構成を実現する。 定量的超音波画像再構成の難易度設定として,音速画像化のためにこれを実証した。

関連論文リスト

• Conditional Denoising Diffusion Model-Based Robust MR Image Reconstruction from Highly Undersampled Data [11.174208209806073]
  アンダーサンプリング戦略は画像の取得を加速させるが、多くの場合、画像のアーティファクトと劣化した品質をもたらす。 近年の拡散モデルでは、強力な画像先行学習により、アンダーサンプルデータから高忠実度画像の再構成が期待されている。 本稿では,反復的データ一貫性補正を伴う条件付きデノナイジング拡散フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-07T18:01:08Z)
• Noise-adapted Neural Operator for Robust Non-Line-of-Sight Imaging [5.486845789695915]
  本稿では3次元画像再構成における大規模線形問題に適したパラメータ化逆問題フレームワークを提案する。 パラメータ化ニューラル演算子を開発し、逆マッピングを近似し、エンドツーエンドの高速画像再構成を容易にする。 演算子学習を基盤とした3次元画像再構成フレームワークは,ディープアルゴリズムの展開によって構築される。
  論文  参考訳（メタデータ） (2025-08-13T09:40:38Z)
• 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)
• DensePANet: An improved generative adversarial network for photoacoustic tomography image reconstruction from sparse data [1.4665304971699265]
  スパースデータからのPAT画像再構成の問題を解決するために,DensePANetと呼ばれるエンドツーエンドの手法を提案する。 提案したモデルは、FD-UNet++と呼ばれるジェネレータにUNetを改良し、再構成性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-04-19T09:52:32Z)
• 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)
• Steerable Conditional Diffusion for Out-of-Distribution Adaptation in Medical Image Reconstruction [75.91471250967703]
  我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。 このフレームワークは、利用可能な測定によって提供される情報のみに基づいて、画像再構成と並行して拡散モデルを適用する。 様々な画像モダリティにまたがるアウト・オブ・ディストリビューション性能の大幅な向上を実現した。
  論文  参考訳（メタデータ） (2023-08-28T08:47:06Z)
• 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)
• Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
  医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。 データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。 比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
  論文  参考訳（メタデータ） (2022-04-09T13:04:36Z)

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。