論文の概要: Physics-Guided Multi-Objective Deep Learning for Ultrasound RF Data Interpolation in Resource-Constrained Imaging
- arxiv url: http://arxiv.org/abs/2609.28775v1
- Date: Wed, 23 Sep 2026 20:37:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.547728
- Title: Physics-Guided Multi-Objective Deep Learning for Ultrasound RF Data Interpolation in Resource-Constrained Imaging
- Title（参考訳）: 資源制約イメージングにおける超音波RFデータ補間のための物理誘導多目的深層学習
- Abstract要約: スパースデータを用いた画像再構成は、コヒーレントビームフォーミングプロセスにおいて不十分な位相情報を導入することができる。
本稿では、下流画像形成設定とトレーニングを整合させる、スパース・トゥ・ディエンス電波物理再構成のためのデータ駆動フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 6.326228280323657
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ultrasound imaging increasingly targets portable, point-of-care, and wearable settings where constraints on power, bandwidth, and hardware complexity often necessitate sparse data acquisition in spatiotemporal scanning. However, image reconstruction using the sparse data can introduce insufficient phase information in coherent beamforming process, resulting in grating-lobe artifacts that degrade imaging contrast resolution. We present a physics-guided, data-driven framework for sparse-to-dense radio-frequency (RF) reconstruction that aligns training with downstream image formation. Our approach trains an end-to-end interpolation network using a hybrid supervision scheme that combines an RF-domain and a beamforming-domain loss with exponential moving average (EMA) to stabilize the multi-objective training. To improve generalization under variable acquisition layouts, we also introduce a random-skip masking strategy that varies sparsity patterns during training so a single model can handle diverse decimation factors and irregular channel configurations. We evaluate the framework on a held-out test set using the mean structural similarity index measure (SSIM) between reconstructed and ground-truth beamformed images. Across decimation factors $\times 2$ to $\times 13$, the best-performing configuration maintains mean SSIM around 0.95. Overall, the results show consistent gains in RF reconstruction and post-beamforming image quality across diverse acquisition conditions. This approach enables robust, high-quality ultrasound imaging at resource-constrained settings by allowing more sparse scanning in spatiotemporal domain.
- Abstract（参考訳）: 超音波イメージングは、電力、帯域幅、ハードウェアの複雑さに対する制約が時空間走査においてスパースデータ取得を必要とする場合、ポータブル、ポイントオブケア、ウェアラブル設定をますますターゲットとしている。
しかし、このスパースデータを用いた画像再構成は、コヒーレントビーム形成過程において不十分な位相情報を導入し、撮像コントラスト分解能を低下させるグレーティング・ローブアーティファクトをもたらす。
本稿では,低周波無線周波数(RF)再構成のための物理誘導型データ駆動フレームワークを提案する。
本手法は、RFドメインとビームフォーミングドメインの損失と指数移動平均(EMA)を組み合わせ、多目的トレーニングを安定化させるハイブリッド監視方式を用いて、エンドツーエンドの補間ネットワークを訓練する。
また、可変取得レイアウト下での一般化を改善するために、トレーニング中の間隔パターンを変化させるランダムスキップマスキング戦略を導入し、多様な決定因子や不規則なチャネル構成を単一モデルで処理できるようにする。
本研究では, 構造的類似度指標(SSIM)を用いて, 構造的類似度を推定し, 構造的類似度を推定した。
デシメーション係数$\times 2$ to $\times 13$で、最高のパフォーマンス構成は平均SSIMを約0.95で維持する。
以上の結果から, RF再構成における画像品質は, 多様な取得条件で一貫した向上を示した。
このアプローチは、時空間領域におけるよりスパースな走査を可能にすることにより、リソース制約された環境で堅牢で高品質な超音波イメージングを可能にする。
関連論文リスト
- SHFormer: Dynamic Spectral Filtering Convolutional Neural Network and High-pass Kernel Generation Transformer for Adaptive MRI Reconstruction [3.520703534171746]
スケーラブルなMRI再構成のためのニューロ変調に基づく識別型マルチスペクトルAMを提案する。
提案手法は,PSNRでは1dB,SSIMでは0.01の改善率を持つスケーラブルで高品質な再構成を実現する。
論文 参考訳（メタデータ） (2026-07-22T13:55:27Z) - FINDER: Zero-Shot Field-Integrated Network for Distortion-free EPI Reconstruction in Diffusion MRI [3.758780571280516]
FINDER (Field-Integrated Network for Distortion-free EPI Reconstruction) はゼロショット・スキャン固有の新しいフレームワークである。
これは、基底画像と$B_0$フィールドマップの合同最適化として再構成を再構成する。
FINDERは、最先端のベースラインよりも優れた幾何学的忠実度と画質を実現する。
論文 参考訳（メタデータ） (2026-03-27T07:05:46Z) - Iterative Inference-time Scaling with Adaptive Frequency Steering for Image Super-Resolution [75.3690742776891]
適応周波数ステアリング(IAFS)を用いた反復拡散推論時間スケーリングを提案する。
IAFSは、構造的偏差の反復的補正によって生成した画像を徐々に精細化することで、知覚品質と構造的忠実性のバランスをとるという課題に対処する。
実験の結果、IAFSは知覚と忠実性の対立を効果的に解決し、知覚の細部と構造的精度を一貫して改善し、既存の推論時間スケーリング手法よりも優れていた。
論文 参考訳（メタデータ） (2025-12-29T15:09:20Z) - Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。
本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。
CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-13T08:31:46Z) - SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。
既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。
逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
論文 参考訳（メタデータ） (2025-03-16T12:32:11Z) - Physics-informed DeepCT: Sinogram Wavelet Decomposition Meets Masked Diffusion [7.896463959617656]
拡散モデルではスパース・ビュー・コンピュート・トモグラフィー(SVCT)の再建に有意な可能性がある。
SVCT再構成のためのSinogram-based Wavelet random decomposition and Random mask diffusion Model (SWARM)を提案する。
論文 参考訳（メタデータ） (2025-01-17T03:16:15Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - Adaptive Gradient Balancing for UndersampledMRI Reconstruction and
Image-to-Image Translation [60.663499381212425]
本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。
MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
論文 参考訳（メタデータ） (2021-04-05T13:05:22Z)
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。