論文の概要: Compression Hurts, Pooling Helps: Information Loss in Rayleigh-Scale Estimation from B-Mode Ultrasound

• arxiv url: http://arxiv.org/abs/2609.19525v1
• Date: Thu, 17 Sep 2026 00:31:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.037754
• Title: Compression Hurts, Pooling Helps: Information Loss in Rayleigh-Scale Estimation from B-Mode Ultrasound
• Title（参考訳）: 圧縮Hrts,pooling helps:Bモード超音波によるレイリースケール推定における情報損失
• Abstract要約: 有限オフセットのログ圧縮はレイリースケールを$$で見積もると深刻な情報損失を引き起こすことを示す。 合成推定実験を用いてこの理論を検証し、実RF-エンベロープウィンドウ上でRFスケール回復を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical B-mode images are widely available as potential data sources for quantitative ultrasound (QUS) analysis for tissue characterization. However, standard clinical ultrasound devices apply unknown log-compression to RF envelope data before display and storage. Previous work has demonstrated estimation of the underlying RF envelope statistics in the presence of an unknown compression law. Using Fisher information analysis, we show that finite-offset log compression causes severe information loss when estimating the Rayleigh scale $σ$, which controls diffuse speckle. For a single image window, unknown compression raises the minimum achievable variance for unbiased estimation of $σ$ by a compression-independent factor of approximately $\FisherMinInflation$. When $M$ equal-sized windows share the same unknown compression settings, the excess variance decays as $1/M$; even in the most favorable regime, reducing the variance inflation factor below $1.1$ requires $\FisherBestCaseWindows$ windows. Our analysis treats the contrast parameter $a$ as unknown and the boundary offset $b$ as known; estimating $b$ experimentally shows even larger variance. We validate this theory using synthetic estimation experiments and demonstrate RF-scale recovery on real RF-envelope windows from the OASBUD dataset. Together, these results clarify the limitations of using routine B-mode images for QUS.
• Abstract（参考訳）: 臨床Bモード画像は、組織評価のための定量的超音波(QUS)分析のための潜在的なデータソースとして広く利用することができる。 しかし、標準的な超音波検査装置は、表示・記憶前のRFエンベロープデータに未知の対数圧縮を適用している。 従来の研究は、未知の圧縮法の存在下で基礎となるRFエンベロープ統計を推定した。 Fisher情報解析を用いて、拡散スペックルを制御するRayleighスケール$σ$を推定すると、有限オフセットログ圧縮が深刻な情報損失を引き起こすことを示す。 単一の画像ウィンドウに対して、未知の圧縮は、約$\FisherMinInflation$の圧縮非依存因子によって$σ$の未バイアス推定に対する到達可能な最小分散を上昇させる。 M$等しい大きさの窓が同じ未知の圧縮設定を共有している場合、過剰な分散は1/M$として崩壊し、最も好まれる体制でも、分散インフレーション係数を1.1ドル以下に下げるには$\FisherBestCaseWindows$ウィンドウが必要である。 我々の分析では、コントラストパラメータ$a$を未知として扱い、境界オフセット$b$を既知のものとして扱う。 我々は, この理論を合成推定実験を用いて検証し, OASBUDデータセットから実RF-エンベロープウィンドウ上でRFスケール回復を示す。 これらの結果から,QUSに対して通常のBモード画像を使用することの限界が明らかとなった。

関連論文リスト

• SLIM-Diff: Shared Latent Image-Mask Diffusion with Lp loss for Data-Scarce Epilepsy FLAIR MRI [1.8594711725515678]
  単一共有ブートネック U-Net を用いたコンパクトな合同拡散モデル SLIM-Diff を提案する。 SLIM-Diffは2チャンネル画像+マスク表現からの解剖学と病変幾何学の密結合と、調整可能な$L_p$目的による損失幾何学的チューニングを強制する。
  論文  参考訳（メタデータ） (2026-02-03T10:48:57Z)
• $ε$-Softmax: Approximating One-Hot Vectors for Mitigating Label Noise [99.91399796174602]
  ノイズラベルは、正確なディープニューラルネットワークをトレーニングする上で共通の課題となる。 我々は,ソフトマックス層の出力を制御可能な誤差で1ホットベクトルに近似させる,$epsilon$-softmaxを提案する。 理論的には、$epsilon$-softmaxは、ほぼ任意の損失関数に対して制御可能な過剰リスクを持つ耐雑音学習を実現することができる。
  論文  参考訳（メタデータ） (2025-08-04T13:10:48Z)
• $γ$-FedHT: Stepsize-Aware Hard-Threshold Gradient Compression in Federated Learning [15.458263187587097]
  グラディエント圧縮は、フェデレートラーニング(FL)におけるボトルネックを効果的に緩和する Error-Feedbackの基本的会話を紹介する。 我々は、$gamma$-FedHTがTop-k$よりも7.42%$まで精度を向上することを示した。
  論文  参考訳（メタデータ） (2025-05-18T15:55:50Z)
• Compression of Structured Data with Autoencoders: Provable Benefit of Nonlinearities and Depth [83.15263499262824]
  勾配勾配勾配は入力のスパース構造を完全に無視する解に収束することを示す。 浅層構造にデノナイジング関数を付加することにより,スパースデータの圧縮におけるガウス性能の改善方法を示す。 CIFAR-10 や MNIST などの画像データセットに対して,本研究の成果を検証した。
  論文  参考訳（メタデータ） (2024-02-07T16:32:29Z)
• Estimating the Rate-Distortion Function by Wasserstein Gradient Descent [36.24186820465207]
  損失圧縮の理論では、レート歪み関数$R(D)$は、データソースが(ビットレートで)どんなレベルの忠実度(歪み)でも圧縮できるかを記述する。 最適輸送の観点から,$R(D)$を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-29T05:29:59Z)
• Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models [49.81937966106691]
  我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。 従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
  論文  参考訳（メタデータ） (2023-06-15T16:30:08Z)
• Learning Scalable $\ell_\infty$-constrained Near-lossless Image Compression via Joint Lossy Image and Residual Compression [118.89112502350177]
  本稿では,$ell_infty$-constrained near-lossless image compressionを学習するための新しいフレームワークを提案する。 元の残差の学習確率モデルを定量化し、量子化残差の確率モデルを導出する。
  論文  参考訳（メタデータ） (2021-03-31T11:53:36Z)
• Data-Independent Structured Pruning of Neural Networks via Coresets [21.436706159840018]
  本稿では, 圧縮率と将来の試験試料の近似誤差とのトレードオフが証明可能な最初の効率的な構造化プルーニングアルゴリズムを提案する。 これまでの作業とは異なり、コアセットはデータ独立であり、逆数を含む任意の入力$xin mathbbRd$に対して関数の精度を確実に保証します。
  論文  参考訳（メタデータ） (2020-08-19T08:03:09Z)
• On Biased Compression for Distributed Learning [55.89300593805943]
  バイアス圧縮機が単一ノードと分散設定の両方において線形収束率をもたらすことを初めて示す。 理論的保証と実用性能を期待できる新しいバイアス圧縮機を提案する。
  論文  参考訳（メタデータ） (2020-02-27T19:52:24Z)
• Gaussian Approximation of Quantization Error for Estimation from Compressed Data [19.13338605394608]
  我々は、量子-R$圧縮版である$X$と、信号-雑音比22R-1$のAWGNチャネルでの観測の間のワッサーシュタイン距離が問題次元のサブ線形であることを示す。 圧縮制約下での推論問題に対して,様々な新しい結果を導出することで,この接続の有用性を実証する。
  論文  参考訳（メタデータ） (2020-01-09T22:10:10Z)

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。