論文の概要: UltraPIPS: Improving model perception in B-mode ultrasound with foundation models

• arxiv url: http://arxiv.org/abs/2608.26033v1
• Date: Wed, 26 Aug 2026 17:12:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.961319
• Title: UltraPIPS: Improving model perception in B-mode ultrasound with foundation models
• Title（参考訳）: UltraPIPS:基礎モデルを用いたBモード超音波のモデル知覚の改善
• Authors: Tal Grutman, Tali Ilovitsh,
• Abstract要約: 医用画像では、LPIPS(Learled Perceptual Image patch similarity)を用いて特徴空間のイメージを意味的に比較することが一般的である。 Bモード超音波画像は、自然画像と根本的に異なるスペックルパターンと音響固有の画像統計を持っている。 本稿では,オープンソース基盤モデルに基づくLPIPSメトリクスのセットであるUltraPIPSライブラリを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In medical imaging, it is common to use learned perceptual image patch similarity (LPIPS) to compare images semantically in feature space. Although backbones pretrained on natural images are widely used for LPIPS computation, B-mode ultrasound images possess distinct speckle patterns and acoustic-specific image statistics that are fundamentally different from natural images and even from other images in radiology. Consequently, we propose that domain-specific models are needed to measure perceptual similarity in ultrasound data, a finding which is not necessarily the case for other imaging modalities. We compare LPIPS metrics across downstream tasks like classification, segmentation and reconstruction using natural image, medical generalist and ultrasound backbone models and show that selection of LPIPS backbone is a non-trivial design choice. In particular, the ultrasound backbone models were more correlated with downstream performance of supervised models than classical and natural image models, and optimization of the LPIPS loss with an ultrasound backbone achieved a strong balance between reconstruction quality and realism. Our code is available at https://github.com/talg2324/UltraPIPS and introduces the UltraPIPS library, a set of LPIPS metrics based on the open-source foundation models analyzed in this paper.
• Abstract（参考訳）: 医用画像では、LPIPS(Learled Perceptual Image patch similarity)を用いて特徴空間のイメージを意味的に比較することが一般的である。 自然画像に事前訓練されたバックボーンはLPIPS計算に広く用いられているが、Bモード超音波画像は、自然画像と根本的に異なるスペクトルパターンと音響固有の画像統計を持っている。 その結果,超音波画像における知覚的類似性を測定するためには,ドメイン固有モデルが必要であることが示唆された。 分類,分節化,再構成などの下流タスクにおけるLPIPSメトリクスを,自然画像,一般医,超音波バックボーンモデルを用いて比較し,LPIPSバックボーンの選択が非自明な設計選択であることを示す。 特に, 超音波バックボーンモデルは, 古典的, 自然画像モデルよりも教師付きモデルの下流性能と相関し, 超音波バックボーンによるLPIPS損失の最適化により, 復元品質とリアリズムのバランスが強くなった。 我々のコードはhttps://github.com/talg2324/UltraPIPSで公開されており、この論文で分析されたオープンソース基盤モデルに基づくLPIPSメトリクスのセットであるUltraPIPSライブラリを導入しています。

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)
• A texture-based framework for foundational ultrasound models [0.0]
  テクスチャ・テクスチャ・セマンティック・アナリシス(TUSA)を導入し、テクスチャ・アナリシス問題としての自己教師型学習を再構築する。 我々は、オープンソース、シミュレート、生体内データの組み合わせに基づいて、TUSAモデルを訓練する。 肝脂肪症 (r = 0.83), 吐出率 (r = 0.63), 酸素飽和度 (r = 0.38) などの定量的指標と相関し, より高精度に検出できる。
  論文  参考訳（メタデータ） (2026-02-01T21:26:31Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。 我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Understanding differences in applying DETR to natural and medical images [16.200340490559338]
  トランスフォーマーベースの検出器は、自然画像を用いたコンピュータビジョンタスクで成功している。 医用画像データには、非常に大きな画像サイズ、興味の少ない領域の小さい領域、微妙な違いによってのみ区別できるオブジェクトクラスなど、固有の課題がある。 本研究は, 検診用マンモグラフィーデータセットに適用した場合に, これらのトランスフォーマーに基づく設計選択の適用性を評価するものである。
  論文  参考訳（メタデータ） (2024-05-27T22:06:42Z)
• NeuroPictor: Refining fMRI-to-Image Reconstruction via Multi-individual Pretraining and Multi-level Modulation [55.51412454263856]
  本稿では,fMRI信号を用いた拡散モデル生成過程を直接変調することを提案する。 様々な個人から約67,000 fMRI-imageペアのトレーニングを行うことで,fMRI-to-imageデコーディング能力に優れたモデルが得られた。
  論文  参考訳（メタデータ） (2024-03-27T02:42:52Z)
• Intra-video Positive Pairs in Self-Supervised Learning for Ultrasound [65.23740556896654]
  自己教師付き学習 (SSL) は, 医療画像におけるラベル付きデータの健全性に対処するための戦略である。 本研究では,同じBモード超音波映像をSSLのペアとして用いた近位画像の利用効果について検討した。 この手法は、従来の超音波特異的比較学習法の平均検査精度を新型コロナウイルスの分類で上回り、IVPP(Intra-Video Positive Pairs)と命名された。
  論文  参考訳（メタデータ） (2024-03-12T14:57:57Z)
• Integrative Variational Autoencoders for Generative Modeling of an Image Outcome with Multiple Input Images [3.344876046963058]
  InVA(Integrated Variational Autoencoder)は、ニューロイメージングにおけるイメージ・オン・イメージレグレッションのための最初の階層型VAEフレームワークである。 InVAは構造MRIからコストの高いPETスキャンを正確に予測し、マルチモーダル・ニューロイメージングのための効率的で強力なツールを提供する。
  論文  参考訳（メタデータ） (2024-02-05T05:26:17Z)
• Modality-Agnostic Variational Compression of Implicit Neural Representations [96.35492043867104]
  Inlicit Neural Representation (INR) としてパラメータ化されたデータの関数的ビューに基づくモーダリティ非依存型ニューラル圧縮アルゴリズムを提案する。 潜時符号化と疎性の間のギャップを埋めて、ソフトゲーティング機構に非直線的にマッピングされたコンパクト潜時表現を得る。 このような潜在表現のデータセットを得た後、ニューラル圧縮を用いてモーダリティ非依存空間におけるレート/歪みトレードオフを直接最適化する。
  論文  参考訳（メタデータ） (2023-01-23T15:22:42Z)
• Negligible effect of brain MRI data preprocessing for tumor segmentation [36.89606202543839]
  我々は3つの公開データセットの実験を行い、ディープニューラルネットワークにおける異なる前処理ステップの効果を評価する。 その結果、最も一般的な標準化手順は、ネットワーク性能に何の価値も与えないことが示されている。 画像の規格化に伴う信号分散の低減のため,画像強度正規化手法はモデル精度に寄与しない。
  論文  参考訳（メタデータ） (2022-04-11T17:29:36Z)
• 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。