論文の概要: Pyramid Self-contrastive Learning Framework for Test-time Ultrasound Image Denoising
- arxiv url: http://arxiv.org/abs/2605.12567v1
- Date: Tue, 12 May 2026 09:27:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-14 23:30:27.580544
- Title: Pyramid Self-contrastive Learning Framework for Test-time Ultrasound Image Denoising
- Title（参考訳）: 実験時間超音波画像復調のためのピラミッド型自己コントラスト学習フレームワーク
- Authors: Jiajing Zhang, Bingze Dai, Xi Zhang, Yue Xu, Wei-Ning Lee,
- Abstract要約: 従来の遮音法は、合成雑音条件下では妥当性が低下する明示的な雑音仮定に依存している。
合成開口超音波(SAU)に応用したワンショット超音波画像デノナイズのための試験時間トレーニングフレームワークを提案する。
我々のA2A(Aperture-to-Aperture)フレームワークは、シャッフルしたサブアパーチャから解剖学的類似性とノイズランダム性を切り離す。
- 参考スコア（独自算出の注目度）: 15.980624879523981
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The inherent electronic and speckle noise complicates clinical interpretation of ultrasound images. Conventional denoising methods rely on explicit noise assumptions whose validity diminishes under composite noise conditions. Learning-based methods require massive labeled data and model parameters. These pre-defined and pre-trained manners entail an inevitable domain shift in complex in vivo environments, so they are limited to a specific noise type and often blur structural details. In this study, we propose a pure test-time training framework for one-shot ultrasound image denoising and apply it to synthetic aperture ultrasound (SAU), which synthesizes transmit focus from sub-aperture transmissions. Our Aperture-to-Aperture (A2A) framework disentangles anatomical similarity and noise randomness from shuffled sub-apertures through self-contrastive learning in pyramid latent spaces. The clean image is then decoded from the anatomy space, while discarding the noise space. A2A is trained at test time on one noisy sample of SAU signals, so it fundamentally eliminates the domain shift and pretraining costs. Simulation experiments, including electronic noise levels of 0 to 30 dB and different inclusion geometries, demonstrated an improvement of 69.3% SNR and 34.4% CNR by A2A. The in vivo results showed 84.8% SNR and 25.7% CNR gains using only two aperture data of the heart in six echocardiographic views, liver, and kidney. A2A delivers clear images/signals across diverse imaging targets and configurations, paving the way for more reliable anatomical visualization and functional assessment by ultrasound.
- Abstract（参考訳）: 固有電子ノイズとスペックルノイズは、超音波画像の臨床的解釈を複雑にする。
従来の遮音法は、合成雑音条件下では妥当性が低下する明示的な雑音仮定に依存している。
学習ベースの手法は大量のラベル付きデータとモデルパラメータを必要とする。
これらの事前定義された訓練された方法は、複雑な生体環境において必然的なドメインシフトをもたらすため、特定のノイズタイプに制限され、しばしば構造的な詳細を曖昧にする。
本研究では,単発超音波画像のデノナイズのための純粋な試験時間トレーニングフレームワークを提案し,それを合成開口超音波(SAU)に適用し,サブ開口透過から焦点を合成する。
我々のA2A(Aperture-to-Aperture)フレームワークは、ピラミッド潜在空間における自己コントラスト学習を通じて、シャッフルされたサブアパーチャから解剖学的類似性とノイズランダム性を解き放つ。
クリーンな画像は、ノイズ空間を捨てながら、解剖学的空間からデコードされる。
A2Aは、あるノイズの多いSAU信号のサンプルでテスト時に訓練されるため、ドメインシフトと事前学習コストを根本的に削減する。
0から30dBの電子ノイズレベルと異なる包摂ジオメトリを含むシミュレーション実験は、A2Aによる69.3%のSNRと34.4%のCNRの改善を実証した。
in vivoでは、SNRは84.8%、CNRは25.7%の上昇を示した。
A2Aは様々な画像のターゲットと構成に明確な画像/信号を提供し、超音波によるより信頼性の高い解剖学的可視化と機能評価の道を開く。
関連論文リスト
- Lightweight Physics-Informed Zero-Shot Ultrasound Plane Wave Denoising [1.912429179274357]
超音波コヒーレント平面波合成(CPWC)は、複数のステアリング伝送からのエコーを組み合わせることにより、画像コントラストを向上させる。
低角CPWC取得に適したゼロショット復調フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-26T17:28:32Z) - Score-based Self-supervised MRI Denoising [1.6385815610837167]
教師付き学習に基づく復号化手法は優れた性能を達成しているが、高い信号対雑音比 (SNR) ラベルを必要とする。
自己教師付き学習はラベル不足の問題に対処することを約束するが、既存の自己教師型認知法は空間的特徴を過度に表現する傾向がある。
C2S(Corruption2Self)は,MRIのための新しいスコアベースの自己教師型フレームワークである。
論文 参考訳（メタデータ） (2025-05-08T20:27:13Z) - Two-stage Deep Denoising with Self-guided Noise Attention for Multimodal Medical Images [8.643724626327852]
本研究は,AI駆動の2段階学習戦略により,現代の認知的手法の限界に対処する。
提案手法はノイズ画像から残音を推定する。
ノイズアテンション機構を組み込んで、推定残音と雑音入力を相関させ、コース・トゥ・リファインディングでノイズアテンションを行う。
論文 参考訳（メタデータ） (2025-03-10T01:26:47Z) - FM2S: Towards Spatially-Correlated Noise Modeling in Zero-Shot Fluorescence Microscopy Image Denoising [33.383511185170214]
蛍光マイクログラフ・トゥ・セルフ (FM2S) は、3つの重要な革新を通じて効率的な蛍光マイクログラフ・トゥ・セルフ (FM2S) を実現するゼロショットデノイザーである。
FM2Sは平均1.4dBPSNRでCVF-SIDを上回り、AP-BSNの0.1%のパラメータを必要とする。
論文 参考訳（メタデータ） (2024-12-13T10:45:25Z) - CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。
ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。
我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
論文 参考訳（メタデータ） (2024-03-21T15:13:36Z) - 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) - 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) - Rethinking Noise Synthesis and Modeling in Raw Denoising [75.55136662685341]
センサの実際の雑音を直接サンプリングすることで、ノイズを合成する新しい視点を導入する。
それは本質的に、異なるカメラセンサーに対して正確な生画像ノイズを発生させる。
論文 参考訳（メタデータ） (2021-10-10T10:45:24Z) - Physics-based Noise Modeling for Extreme Low-light Photography [63.65570751728917]
CMOS光センサの撮像パイプラインにおけるノイズ統計について検討する。
実雑音構造を正確に特徴付けることのできる包括的ノイズモデルを定式化する。
我々のノイズモデルは、学習に基づく低照度復調アルゴリズムのためのリアルなトレーニングデータを合成するのに利用できる。
論文 参考訳（メタデータ） (2021-08-04T16:36:29Z) - Suppression of Correlated Noise with Similarity-based Unsupervised Deep
Learning [7.61850613267116]
Noise2Simは、非局所非線形方式で機能し、相関ノイズを抑制する教師なしのディープ・デノナイジング手法である。
Nosie2Simは、ノイズの多い低用量および光子計数CT画像から、教師付き学習方法と同じくらい効果的に、あるいはそれ以上に機能を回復する。
論文 参考訳（メタデータ） (2020-11-06T14:31:08Z) - Unpaired Learning of Deep Image Denoising [80.34135728841382]
本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。
自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。
実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
論文 参考訳（メタデータ） (2020-08-31T16:22:40Z)
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。