Ultrasound Imaging based on the Variance of a Diffusion Restoration Model

要約

今日の医学における超音波イメージングの普及にも関わらず、超音波信号対雑音比は依然としていくつかのノイズ源やアーチファクトの影響を受けています。
さらに、超音波画像の品質を高めるには、コントラスト、解像度、スペックル保存などの同時要素のバランスをとる必要があります。
最近、超音波画像再構成の問題に対処するモデルベースと学習ベースの両方のアプローチが進歩しました。
両方の利点を生かして、超音波線形直接モデルと生成ノイズ除去拡散モデルから得られる学習ベースの事前情報を組み合わせたハイブリッド再構成方法を提案します。
より具体的には、事前トレーニングされたノイズ除去拡散復元モデル (DDRM) の教師なし微調整に依存しています。
超音波に固有の乗算ノイズの性質を考慮して、本論文は超音波画像の拡散再構成の確率性を特徴付ける経験的モデルを提案し、エコー源性マップ推定器としての分散の興味深い点を示します。
私たちは合成、in-vitro、および in-vivo データの実験を実施し、単一平面波取得から高品質の画像再構成を達成する際の分散イメージング手法の有効性を、最先端の手法と比較して実証しています。
コードは https://github.com/Yuxin-Zhang-Jasmine/DRUSvar で入手できます。

要約(オリジナル)

Despite today’s prevalence of ultrasound imaging in medicine, ultrasound signal-to-noise ratio is still affected by several sources of noise and artefacts. Moreover, enhancing ultrasound image quality involves balancing concurrent factors like contrast, resolution, and speckle preservation. Recently, there has been progress in both model-based and learning-based approaches addressing the problem of ultrasound image reconstruction. Bringing the best from both worlds, we propose a hybrid reconstruction method combining an ultrasound linear direct model with a learning-based prior coming from a generative Denoising Diffusion model. More specifically, we rely on the unsupervised fine-tuning of a pre-trained Denoising Diffusion Restoration Model (DDRM). Given the nature of multiplicative noise inherent to ultrasound, this paper proposes an empirical model to characterize the stochasticity of diffusion reconstruction of ultrasound images, and shows the interest of its variance as an echogenicity map estimator. We conduct experiments on synthetic, in-vitro, and in-vivo data, demonstrating the efficacy of our variance imaging approach in achieving high-quality image reconstructions from single plane-wave acquisitions and in comparison to state-of-the-art methods. The code is available at: https://github.com/Yuxin-Zhang-Jasmine/DRUSvar

arxiv情報

提供元, 利用サービス

arxiv.jp, Google