Ultrasound Image Enhancement with the Variance of Diffusion Models

要約

超音波イメージングは​​、医療で広く使用されているにもかかわらず、信号対雑音比や全体的な画質に影響を与えるさまざまなノイズやアーティファクトの発生源に悩まされることがよくあります。
超音波画像を向上させるには、コントラスト、解像度、スペックル保存の間の微妙なバランスが必要です。
この論文では、この課題に対処するために、適応ビームフォーミングとノイズ除去拡散ベースの分散イメージングを統合する新しいアプローチを紹介します。
固有空間ベースの最小分散 (EBMV) ビームフォーミングを適用し、超音波データに基づいて微調整されたノイズ除去拡散モデルを採用することにより、私たちの方法は複数の拡散ノイズ除去されたサンプルにわたる分散を計算し、高品質の斑点除去画像を生成します。
このアプローチは、超音波の固有の乗算ノイズと拡散モデルの確率的性質の両方を利用します。
公的に利用可能なデータセットに関する実験結果は、単一平面波取得から優れた画像再構成を達成する際の私たちの方法の有効性を示しています。
コードは https://github.com/Yuxin-Zhang-Jasmine/IUS2024_Diffusion で入手できます。

要約(オリジナル)

Ultrasound imaging, despite its widespread use in medicine, often suffers from various sources of noise and artifacts that impact the signal-to-noise ratio and overall image quality. Enhancing ultrasound images requires a delicate balance between contrast, resolution, and speckle preservation. This paper introduces a novel approach that integrates adaptive beamforming with denoising diffusion-based variance imaging to address this challenge. By applying Eigenspace-Based Minimum Variance (EBMV) beamforming and employing a denoising diffusion model fine-tuned on ultrasound data, our method computes the variance across multiple diffusion-denoised samples to produce high-quality despeckled images. This approach leverages both the inherent multiplicative noise of ultrasound and the stochastic nature of diffusion models. Experimental results on a publicly available dataset demonstrate the effectiveness of our method in achieving superior image reconstructions from single plane-wave acquisitions. The code is available at: https://github.com/Yuxin-Zhang-Jasmine/IUS2024_Diffusion.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google