論文の概要: Noise-Aware Boundary-Enhanced Generative Learning for Ultrasound Speckle Reduction

• arxiv url: http://arxiv.org/abs/2606.25009v1
• Date: Tue, 23 Jun 2026 17:47:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.104308
• Title: Noise-Aware Boundary-Enhanced Generative Learning for Ultrasound Speckle Reduction
• Title（参考訳）: 超音波スペックル低減のための騒音を考慮した境界付き生成学習
• Authors: Yuexi Gu, Mengqi Wu, Yongheng Sun, Virginie Papadopoulou, Mingxia Liu, Maureen Kohi,
• Abstract要約: 超音波スペックル低減のためのNBGL(Noss-Aware boundary-Enhanced Generative Learning)フレームワークを提案する。 NBGLは、注釈付き解剖学的境界を同時に保持し、様々なノイズレベルに適応する。 6つのノイズレベルにわたってスペックル低減と構造保存における最先端の手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 2.344716717625477
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ultrasound is a non-invasive, real-time, and cost-effective imaging technique widely used in clinical diagnosis. However, its diagnostic efficacy is often compromised by inherent speckle noise that degrades image quality and obscures underlying anatomical structures. Existing speckle reduction methods tend to over-smooth tissue boundaries and generalize poorly to heterogeneous noise levels. To address these limitations, we propose a Noise-Aware Boundary-Enhanced Generative Learning (NBGL) framework for ultrasound speckle reduction, which simultaneously preserves annotated anatomical boundaries and adapts to varying noise levels. The NBGL framework consists of a speckle reduction branch and a boundary enhancement branch. The former leverages generative learning to suppress speckle noise, while the latter learns boundary-sensitive representations to preserve target anatomical structures. Furthermore, a noise-aware interaction weight generation (NIWG) module estimates the speckle noise level via 3D Laplacian filtering and a median absolute deviation estimator, and translates it into an adaptive interaction weight. This weight is incorporated into a weighted feature-wise linear modulation (wFiLM) module to adaptively modulate cross-branch feature coupling, thereby improving robustness to varying noise levels. Extensive evaluations on 141 3D transvaginal ultrasound volumes demonstrate that NBGL consistently outperforms state-of-the-art methods in speckle reduction and structural preservation across six noise levels, while maintaining consistency with annotated anatomical boundaries.
• Abstract（参考訳）: 超音波は非侵襲的でリアルタイムで費用対効果の高い画像診断技術であり、臨床診断に広く用いられている。 しかし、その診断効果は、画像の品質を低下させ、下層の解剖学的構造を曖昧にする固有のスペックルノイズによってしばしば損なわれる。 既存のスペックル低減法では, 組織の境界を平滑にし, 不均一なノイズレベルに一般化する傾向にある。 これらの制約に対処するため、超音波スペックル低減のためのノイズ認識境界拡張学習(NBGL)フレームワークを提案し、同時に注釈付き解剖学的境界を保存し、様々なノイズレベルに適応する。 NBGLフレームワークはスペックル低減ブランチと境界拡張ブランチで構成されている。 前者は生成学習を利用してスペックルノイズを抑える一方、後者は境界感応性表現を学習して標的解剖構造を保存する。 さらに、ノイズ対応相互作用重み生成(NIWG)モジュールは、3Dラプラシアンフィルタと中央値絶対偏差推定器を用いてスペックルノイズレベルを推定し、適応的相互作用重みに変換する。 この重みは重み付けされた特徴量線形変調(wFiLM)モジュールに組み込まれ、クロスブランチ特徴結合を適応的に変調することにより、様々なノイズレベルに対する堅牢性を向上させる。 1413次元経血管超音波ボリュームの広範囲な評価は、NBGLが解剖学的境界との整合性を維持しつつ、6つのノイズレベルにわたってスペックル低減と構造保存の最先端の手法を一貫して上回っていることを示している。

関連論文リスト

• FSS-Net: Frequency-Spatial Synergy Network with Wavelet Attention for Carotid Artery Ultrasound Segmentation [11.152127159739736]
  本稿では,高周波空間シナジーネットワーク(FSS-Net)を提案する。 このネットワークはウェーブレット変換、マルチドメインアテンション、エッジ拡張を統一エンコーダデコーダアーキテクチャに統合する。 頸動脈超音波データセットの実験により、FSS-Netは96.46%のDiceスコア(DSC)を達成し、低SNR条件下では強い堅牢性を示す。
  論文  参考訳（メタデータ） (2026-06-09T03:40:52Z)
• Decoupling Wavelet Sub-bands for Single Source Domain Generalization in Fundus Image Segmentation [2.8382282285875653]
  本研究では,新しいウェーブレット誘導分割ネットワークであるWaveSDGを紹介した。 ウェーブレットサブバンド分解によって、解剖学的構造をドメイン固有の外観から切り離す。 一貫して7つの最先端データセットを上回ります。
  論文  参考訳（メタデータ） (2026-03-30T14:04:45Z)
• FreqDINO: Frequency-Guided Adaptation for Generalized Boundary-Aware Ultrasound Image Segmentation [18.491659279102993]
  境界認識と構造整合性を高める周波数誘導セグメンテーションフレームワークFreqDINOを提案する。 具体的には、低周波構造とマルチスケール高周波境界の詳細を分離するためのマルチスケール周波数抽出・アライメント戦略を考案する。 また、高周波成分から境界プロトタイプを抽出し、空間的特徴を洗練するFGBR( Frequency-Guided Boundary Refinement)モジュールも導入する。
  論文  参考訳（メタデータ） (2025-12-12T07:15:38Z)
• MetaDCSeg: Robust Medical Image Segmentation via Meta Dynamic Center Weighting [77.31583168890633]
  医用画像のセグメンテーションは臨床応用に欠かせないが,うるさいアノテーションやあいまいな解剖学的境界によってしばしば破壊される。 そこで我々は,雑音の多い接地トラスラベルの影響を抑えるために,最適な画素単位の重みを学習する頑健なフレームワークであるMetaDCSegを提案する。 提案手法は, 前景, 背景, 境界中心の重み付き特徴距離を利用して, 曖昧な境界付近の重み付き画素にモデルを向ける。
  論文  参考訳（メタデータ） (2025-11-24T08:51:02Z)
• Layer-wise Noise Guided Selective Wavelet Reconstruction for Robust Medical Image Segmentation [16.82406992858576]
  我々はLNG-SWR(Layer-wise noise-Guided Selective Wavelet Reconstruction)を提案する。 トレーニング中、複数の層で小さなゼロ平均ノイズを注入し、ノイズに敏感な方向からステア表現を遠ざける前に周波数バイアスを学習する。 次に、入力/機能分岐に予め誘導した選択的ウェーブレット再構成を適用し、周波数適応を実現する。
  論文  参考訳（メタデータ） (2025-11-20T09:03:32Z)
• Mitigating the Noise Shift for Denoising Generative Models via Noise Awareness Guidance [54.88271057438763]
  ノイズアウェアネスガイダンス (NAG) は、事前に定義された騒音スケジュールと整合性を保つために、サンプリング軌道を明示的に制御する補正手法である。 NAGは一貫してノイズシフトを緩和し、主流拡散モデルの生成品質を大幅に改善する。
  論文  参考訳（メタデータ） (2025-10-14T13:31:34Z)
• GARD: Gamma-based Anatomical Restoration and Denoising for Retinal OCT [5.763765207893223]
  GARD (Gamma-based Anatomical Restoration and Denoising) は OCT 画像復調のための新しい深層学習手法である。 GARDは、スペックルの統計特性をより正確に反映するために、Denoising Diffusion Gamma Modelを使用している。 GARDはPSNR, SSIM, MSEの点から, 従来のdenoising法や最先端のディープラーニングモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-09-12T15:24:41Z)
• Structure-Accurate Medical Image Translation via Dynamic Frequency Balance and Knowledge Guidance [60.33892654669606]
  拡散モデルは,必要な医用画像を合成するための強力な戦略である。 既存のアプローチはまだ、高周波情報の過度な適合による解剖学的構造歪みの問題に悩まされている。 本稿では,動的周波数バランスと知識指導に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-13T05:48:13Z)
• Epicardium Prompt-guided Real-time Cardiac Ultrasound Frame-to-volume Registration [50.602074919305636]
  本稿では,CU-Reg と呼ばれる,軽量でエンドツーエンドなカード・ツー・エンド・超音波フレーム・ツー・ボリューム・レジストレーション・ネットワークを提案する。 2次元スパースと3次元濃密な特徴の相互作用を増強するために,心内膜急速ガイドによる解剖学的手がかりを用い,その後,強化された特徴のボクセル的局所グロバル集約を行った。
  論文  参考訳（メタデータ） (2024-06-20T17:47:30Z)

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。