Deep Estimation of Speckle Statistics Parametric Images

要約

定量的超音波診断（QUS）は、組織の特性に関する重要な情報を提供する。QUSパラメトリック画像は、包絡線データを小さなオーバーラップするパッチに分割し、Nakagami分布やHomodyned K分布（HK分布）のパラメータなどの異なるスペックル統計量を計算することによって形成することができます。パッチ内部では少数の独立したサンプルしか利用できないため、計算されたQUSパラメトリック画像に誤りがある可能性があります。もう一つの課題は、パッチ内部の包絡線サンプルは同じ分布から得られると仮定されるが、組織が通常均質でないことを考えると、この仮定はしばしば破られることである。本論文では、Convolutional Neural Networks (CNN)に基づき、パッチを用いずにQUSパラメトリック画像を推定する方法を提案する。我々は、ランダムな形状とQUSパラメータ値を持つ領域を持つ、HK分布からサンプリングされた大規模なデータセットを構築する。そして、よく知られたネットワークを用いて、マルチタスク学習方式でQUSパラメータを推定する。その結果、提案手法はQUSパラメトリック画像における誤差を低減し、境界の定義を改善できることが確認された。

要約(オリジナル)

Quantitative Ultrasound (QUS) provides important information about the tissue properties. QUS parametric image can be formed by dividing the envelope data into small overlapping patches and computing different speckle statistics such as parameters of the Nakagami and Homodyned K-distributions (HK-distribution). The calculated QUS parametric images can be erroneous since only a few independent samples are available inside the patches. Another challenge is that the envelope samples inside the patch are assumed to come from the same distribution, an assumption that is often violated given that the tissue is usually not homogenous. In this paper, we propose a method based on Convolutional Neural Networks (CNN) to estimate QUS parametric images without patching. We construct a large dataset sampled from the HK-distribution, having regions with random shapes and QUS parameter values. We then use a well-known network to estimate QUS parameters in a multi-task learning fashion. Our results confirm that the proposed method is able to reduce errors and improve border definition in QUS parametric images.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL