論文の概要: DinoMUSE: A DINOv2-guided Framework for Unsupervised Lateral Motion Estimation in Ultrasound Elastography

• arxiv url: http://arxiv.org/abs/2610.24020v1
• Date: Fri, 16 Oct 2026 02:43:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 11:36:00.537847
• Title: DinoMUSE: A DINOv2-guided Framework for Unsupervised Lateral Motion Estimation in Ultrasound Elastography
• Title（参考訳）: DinoMUSE: 超音波エラストグラフィーにおける教師なし横動き推定のためのDINOv2誘導フレームワーク
• Abstract要約: DINO-Guided Mixed-of-experts (MoE) framework for unsupervised lateral motion estimation in Ultra elastography (USE)について述べる。 DinoMUSEは、DINOv2が学習した高レベルな視覚表現をモーション推定ネットワークに組み込んで、グローバルな文脈ガイダンスを提供する。 DinoMUSEは、競合軸性能を維持しながら横方向推定精度を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 6.613062008655572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quasi-static ultrasound elastography (USE) is a non-invasive imaging method for assessing soft tissue mechanical properties. Limited by low resolution, low sampling frequency and lack of phase information in the lateral direction, accurate lateral motion estimation remains a critical bottleneck in USE. Existing methods mainly rely on local image matching and physical constraints (such as tissue incompressibility assumption and effective Poisson's ratio), which lack sufficient contextual information. We present DinoMUSE, a DINO-guided mixture-of-experts (MoE) framework for unsupervised lateral motion estimation in USE. DinoMUSE incorporates high-level visual representations learned by DINOv2 into the motion estimation network to provide global contextual guidance. To facilitate effective interaction between DINOv2 features and local matching features, an MoE-based feature-fusion module adaptively transforms and integrates the two representations. Evaluations against NCC, GLUE, RAFT, and sPICTURE on simulation and in-vivo breast datasets show that DinoMUSE substantially improves lateral estimation accuracy while maintaining competitive axial performance. Specifically, DinoMUSE reduces the mean square error (MSE) of lateral displacement and strain estimation by 60% and 65%, respectively, compared with a SOTA algorithm on the simulation dataset. For in-vivo breast data, DinoMUSE achieves axial strain SNR and CNR of 5.70 and 4.82, and lateral strain SNR and CNR of 4.61 and 2.23, compared to 4.11 and 3.32, and 4.57 and 2.13 for the best competing method, alongside improved lesion visualization. These findings indicate the potential of leveraging transferable visual representations and adaptive feature fusion to improve lateral motion estimation in USE. The code is available at xxxxxxxx.
• Abstract（参考訳）: 準静注超音波エラストグラフィー (USE) は軟組織力学的特性を評価するための非侵襲的イメージング法である。 低分解能、低サンプリング周波数、横方向の位相情報の欠如によって制限された正確な横動き推定は、USEにおいて重要なボトルネックとなっている。 既存の手法は主に、十分な文脈情報を持たない局所的な画像マッチングと物理的制約(組織不圧縮性の仮定や効果的なポアソン比など)に依存している。 DINO-Guided Mixed-of-experts (MoE) framework for unsupervised lateral motion estimation in USE。 DinoMUSEは、DINOv2が学習した高レベルな視覚表現をモーション推定ネットワークに組み込んで、グローバルな文脈ガイダンスを提供する。 DINOv2特徴と局所マッチング特徴との効果的な相互作用を容易にするため、MoEベースの特徴融合モジュールは適応的に変換し、2つの表現を統合する。 NCC, GLUE, RAFT, sPICTUREに対する乳房内データセットのシミュレーションによる評価の結果, DinoMUSEは競争軸性性能を維持しながら横方向推定精度を大幅に向上することが示された。 具体的には, シミュレーションデータセット上のSOTAアルゴリズムと比較して, 横変位の平均2乗誤差 (MSE) とひずみ推定平均 (65%) をそれぞれ減少させる。 In-vivo breast dataでは、DinoMUSEは5.70と4.82の軸方向ひずみSNRとCNR、そして4.61と2.23の側方ひずみSNRとCNRを、最も優れた競合法である4.11と3.32と4.57と2.13と比較して達成し、病変の可視化を改善した。 これらの結果から,移動可能な視覚表現と適応的特徴融合を応用して,USEの側方運動推定を改善する可能性が示唆された。 コードはxxxxxxxxで入手できる。

関連論文リスト

• Motion Artifact-Aware Self-Supervised Representation Learning for 3D Brain MRI Motion Artifact Reduction [5.935221658266667]
  SSRL-MARは、動きアーチファクトの低減のための、動きアーチファクトを意識した表現学習フレームワークである。 SSRL-MARは、SSRL-MARがPSNR 23.81dB、SSIM 91.55%、NMSE 0.79%を達成した。 In-vivo MR-ARTデータセットでは、事前訓練されたモデルにより運動歪みが減少し、教師なし領域適応により解剖学的忠実度はさらに向上した。
  論文  参考訳（メタデータ） (2026-08-10T19:37:31Z)
• DINOMotion: advanced robust tissue motion tracking with DINOv2 in 2D-Cine MRI-guided radiotherapy [1.9458647657637413]
  DINOMotionは、ロバストで効率的な、解釈可能なモーショントラッキングのための新しいディープラーニングフレームワークである。 DINOMotionは、対応するランドマークを自動的に検出し、最適な画像登録を導き、解釈可能性を高める。 ボランティアおよび患者データセットに対する実験は、線形および非線形の変換を推定する上で、その効果を実証する。
  論文  参考訳（メタデータ） (2025-08-14T01:02:26Z)
• Res-MoCoDiff: Residual-guided diffusion models for motion artifact correction in brain MRI [4.893666625661374]
  脳MRIの動作アーティファクトは、主に硬直した頭部の動きから、画質を低下させ、下流の応用を妨げる。 本研究では,MRIの運動アーチファクト修正に特化して設計された効率的な拡散確率モデルであるRes-MoCoDiffを紹介する。 提案手法は, 微少, 中等度, 重歪レベルにわたる運動アーティファクトの除去において, 優れた性能を示した。
  論文  参考訳（メタデータ） (2025-05-06T13:02:40Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Rotational Augmented Noise2Inverse for Low-dose Computed Tomography Reconstruction [83.73429628413773]
  改良された深層学習手法は、画像のノイズを除去する能力を示しているが、正確な地上の真実を必要とする。 畳み込みニューラルネットワーク(CNN)のトレーニングに基礎的真理を必要としないLDCTのための新しい自己教師型フレームワークを提案する。 数値および実験結果から,Sparse View を用いた N2I の再構成精度は低下しており,提案手法は異なる範囲のサンプリング角度で画像品質を向上する。
  論文  参考訳（メタデータ） (2023-12-19T22:40:51Z)
• NIKI: Neural Inverse Kinematics with Invertible Neural Networks for 3D Human Pose and Shape Estimation [53.25973084799954]
  両方向誤差をモデル化したNIKI(Neural Inverse Kinematics with Invertible Neural Network)を提案する。 NIKIは、非可逆ネットワークによる前処理と逆処理の両方から学習することができる。
  論文  参考訳（メタデータ） (2023-05-15T12:13:24Z)
• Lateral Strain Imaging using Self-supervised and Physically Inspired Constraints in Unsupervised Regularized Elastography [3.2116198597240846]
  超音波エラストグラフィー(USE)における畳み込みニューラルネットワーク(CNN)による変位推定の有望な結果を示している 本稿では, Hooke の法則にインスパイアされた非教師付き正規化エラストグラフィ (PICTURE) のための物理インスパイアされた ConsTraint を提案する。 次のステップでは、歪み画像推定をさらに強化する自己教師型PICTURE(sPICTURE)を提案する。
  論文  参考訳（メタデータ） (2022-12-16T22:29:21Z)
• 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)
• MotionHint: Self-Supervised Monocular Visual Odometry with Motion Constraints [70.76761166614511]
  モノクローナルビジュアル・オドメトリー(VO)のための新しい自己教師型アルゴリズムMotionHintを提案する。 我々のMotionHintアルゴリズムは、既存のオープンソースSSM-VOシステムに容易に適用できる。
  論文  参考訳（メタデータ） (2021-09-14T15:35:08Z)

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。