Denoising Plane Wave Ultrasound Images Using Diffusion Probabilistic Models

要約

超音波平面波イメージングは​​、高フレームレートのイメージングを可能にする最先端の技術です。
しかし、高フレームレートの超音波イメージングに伴う課題の 1 つは、それに伴うノイズが大きいことであり、その広範な採用の妨げとなっています。
したがって、平面波画像の品質を向上させるには、ノイズ除去方法の開発が不可欠になります。
ノイズ除去拡散確率モデル (DDPM) からインスピレーションを得て、私たちが提案するソリューションは、平面波の画質を向上させることを目的としています。
具体的には、この方法では、低角度と高角度の複合平面波の区別をノイズと見なし、ビームフォーミングされた無線周波数 (RF) データに DDPM を適用することで効果的に除去します。
このメソッドは、400 枚のシミュレーション画像のみを使用してトレーニングを受けました。
さらに、私たちのアプローチでは、生成された画像の強度マップとして自然画像セグメンテーション マスクを採用しており、その結果、さまざまな解剖学的形状に対して正確なノイズ除去が可能になります。
提案された方法は、シミュレーション、ファントム、および生体内画像にわたって評価されました。
評価の結果は、私たちのアプローチがシミュレートされたデータの画質を向上させるだけでなく、ファントムおよび生体内データでも画質の点で有効であることを示していることを示しています。
他の手法との比較分析により、さまざまな評価指標にわたって提案手法の優位性が強調されます。
ソース コードとトレーニングされたモデルは、データセットとともに http://code.sonography.ai でリリースされます。

要約(オリジナル)

Ultrasound plane wave imaging is a cutting-edge technique that enables high frame-rate imaging. However, one challenge associated with high frame-rate ultrasound imaging is the high noise associated with them, hindering their wider adoption. Therefore, the development of a denoising method becomes imperative to augment the quality of plane wave images. Drawing inspiration from Denoising Diffusion Probabilistic Models (DDPMs), our proposed solution aims to enhance plane wave image quality. Specifically, the method considers the distinction between low-angle and high-angle compounding plane waves as noise and effectively eliminates it by adapting a DDPM to beamformed radiofrequency (RF) data. The method underwent training using only 400 simulated images. In addition, our approach employs natural image segmentation masks as intensity maps for the generated images, resulting in accurate denoising for various anatomy shapes. The proposed method was assessed across simulation, phantom, and in vivo images. The results of the evaluations indicate that our approach not only enhances image quality on simulated data but also demonstrates effectiveness on phantom and in vivo data in terms of image quality. Comparative analysis with other methods underscores the superiority of our proposed method across various evaluation metrics. The source code and trained model will be released along with the dataset at: http://code.sonography.ai

arxiv情報

提供元, 利用サービス

arxiv.jp, Google