論文の概要: Physics-Guided Synthetic High-Frequency Ultrasound Generation for Skin Layer Segmentation
- arxiv url: http://arxiv.org/abs/2609.12735v1
- Date: Fri, 11 Sep 2026 11:34:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.730943
- Title: Physics-Guided Synthetic High-Frequency Ultrasound Generation for Skin Layer Segmentation
- Title（参考訳）: 物理誘導型合成高周波超音波による皮膚層セグメンテーション
- Abstract要約: 皮膚層分割のための物理誘導型合成HFUS生成フレームワークを提案する。
このフレームワークは、多層音響皮膚ファントムを構築し、層依存性音響特性を割り当て、k波シミュレーションを用いて合成HFUS画像を生成する。
以上の結果から,物理誘導型合成HFUS画像は,実際の皮膚層セグメンテーションのための転写可能な解剖学的およびテクスチャ的手がかりを含むことが示唆された。
- 参考スコア（独自算出の注目度）: 4.395404005298121
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High-frequency ultrasound (HFUS) enables noninvasive visualization of superficial skin structures, but automated skin-layer analysis is limited by the scarcity of densely annotated data. Existing real HFUS datasets commonly provide annotations for superficial targets such as the epidermis and subepidermal low-echogenic band (SLEB), while dense labels for deeper structures such as dermis, subcutaneous tissue, fascia, and muscle are rarely available. We propose a physics-guided synthetic HFUS generation framework for skin layer segmentation. The framework constructs multilayer acoustic skin phantoms, assigns layer dependent acoustic properties, and uses k-Wave simulation to generate paired synthetic HFUS images, dense layer masks, and simulation metadata. To evaluate whether the generated data provide transferable supervision, we use it for downstream segmentation pretraining and fine-tune the models on real Mendeley HFUS data. Synthetic pretraining followed by real fine-tuning achieved real-domain performance comparable to real-only training and improved mean Dice/IoU in three of four evaluated trainable architectures. These results suggest that physics-guided synthetic HFUS images contain transferable anatomical and textural cues for real-domain skin layer segmentation, although further reduction of the synthetic-real appearance gap is needed to enable greater gains. The code and data are available at: https://github.com/Finn-02/synthetic-hfus-skin-layer-segmentation.
- Abstract（参考訳）: 高周波超音波(HFUS)は表皮構造を非侵襲的に可視化するが, 皮膚層の自動解析は, 濃密な注釈付きデータの不足によって制限される。
既存のHFUSデータセットは、表皮や表皮下低発癌帯(SLEB)のような表皮の標的に対するアノテーションを提供するのが一般的であるが、皮膚、皮下組織、筋、筋などのより深い構造のための高密度ラベルは、まれである。
皮膚層分割のための物理誘導型合成HFUS生成フレームワークを提案する。
このフレームワークは、多層音響皮膚ファントムを構築し、層依存音響特性を割り当て、k-Waveシミュレーションを用いて合成HFUS画像、密層マスク、シミュレーションメタデータを生成する。
生成したデータが転送可能な監視を提供するかどうかを評価するため、実際のメンデレーHFUSデータに基づいて、下流セグメンテーション事前訓練および微調整を行う。
合成事前トレーニングに続いて、実際の微調整が実現した実際のドメインパフォーマンスは、実際のトレーニングに匹敵するものであり、4つの評価可能なアーキテクチャのうち3つの平均Dice/IoUが改善された。
以上の結果から,物理誘導型合成HFUS画像は実際の皮膚層セグメンテーションのための転写可能な解剖学的およびテクスチャ的手がかりを含むことが示唆された。
コードとデータは、https://github.com/Finn-02/synthetic-hfus-skin-layer-segmentation.comで公開されている。
関連論文リスト
- FVeinSyn: Synthetic Finger Vein Image Generator [75.79003800700403]
指静脈認識における大きな課題は、大規模な公開データセットの欠如である。
指静脈用大規模制御可能な合成データ生成フレームワークであるFVeinSynを提案する。
論文 参考訳（メタデータ） (2026-08-27T14:46:43Z) - Tractography-Driven Synthetic Data Generation for Fiber Bundle Segmentation in Tracer Histology [0.7740143363009707]
マカクトレーサー組織学における自動繊維束分割のための合成データ拡張フレームワークを提案する。
本手法は,2次元画像パッチの合成に先立って,生体内dMRIトラクタグラフィーを用いた。
2D U-Netは、リアルパッチと合成パッチの混合で訓練される。
論文 参考訳（メタデータ） (2026-06-25T11:29:46Z) - Boosting ECG Classification Performance by Pre-training with Synthesized Data [2.363388546004777]
我々は、異常心電図(ECG)のためのドメイン固有の医療知識に基づく合成データを生成する。
10種類のDeep Neural Networks (DNN) を用いて異常分類を行うことにより, この合成データの有用性を評価する。
以上の結果から,4つの異常のうち3つの分類性能が向上することが示唆された。
論文 参考訳（メタデータ） (2026-06-09T12:48:44Z) - Echo-DM: Ultrasound Marker Removal via Conditional Latent Diffusion and Region-Aware Fusion [50.02433280054874]
マーカーは下流の自動分析にショートカットバイアスを導入することができる。
条件付き潜伏拡散と領域認識融合による超音波マーカー除去のためのフレームワークであるEcho-DMを提案する。
大規模な超音波検査データセットであるEcho-PAIRの実験は、優れたマーカー除去と強力な解剖学的忠実さを示す。
論文 参考訳（メタデータ） (2026-06-08T11:56:33Z) - Zero-shot Monocular Metric Depth for Endoscopic Images [9.205799953828896]
そこで本研究では,実画像と非可視画像で評価された最先端(メトリックおよび相対)深度推定モデルのベンチマークについて述べる。
我々は,地上の真理メートル法深度とセグメンテーションマスクを組み合わせた内視鏡手術器具の新たな合成データセット(Endo Synth)を公表した。
合成データセットを用いた微調整深度基礎モデルでは、ほとんど見えない実データの精度をかなりのマージンで向上させることを示した。
論文 参考訳（メタデータ） (2025-09-23T04:56:25Z) - CAFusion: Controllable Anatomical Synthesis of Perirectal Lymph Nodes via SDF-guided Diffusion [8.311453061101899]
本稿では,直腸リンパ節合成の新しいアプローチであるCAFusionを紹介する。
符号付き距離関数(SDF)を利用することで、CAFusionは極めて現実的な3次元解剖構造を生成する。
実験結果から, 合成データはセグメンテーション性能を大幅に向上することが示された。
論文 参考訳（メタデータ） (2025-03-10T04:59:54Z) - SynFER: Towards Boosting Facial Expression Recognition with Synthetic Data [78.70620682374624]
ハイレベルなテキスト記述に基づく表情画像データの合成のための新しいフレームワークであるSynFERを紹介する。
合成データの質と信頼性を確保するため,セマンティックガイダンス手法と擬似ラベル生成手法を提案する。
その結果, 提案手法の有効性と合成データの有効性が検証された。
論文 参考訳（メタデータ） (2024-10-13T14:58:21Z) - Synthetic Data for Robust Stroke Segmentation [0.0]
ニューロイメージングにおける病変のセグメンテーションに対する現在のディープラーニングベースのアプローチは、高解像度の画像と広範囲な注釈付きデータに依存することが多い。
本稿では,脳卒中病変のセグメンテーションに適した新しい合成データフレームワークを提案する。
我々のアプローチは、正常組織と病理組織の両方にまたがるセグメンテーションを促進するために、健康なデータセットと脳卒中データセットからラベルマップでモデルを訓練する。
論文 参考訳（メタデータ） (2024-04-02T13:42:29Z) - Real Acoustic Fields: An Audio-Visual Room Acoustics Dataset and Benchmark [65.79402756995084]
Real Acoustic Fields (RAF)は、複数のモードから実際の音響室データをキャプチャする新しいデータセットである。
RAFは密集した室内音響データを提供する最初のデータセットである。
論文 参考訳（メタデータ） (2024-03-27T17:59:56Z) - 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) - UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。
本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
論文 参考訳（メタデータ） (2023-10-25T00:20:37Z)
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。