Deep Sylvester Posterior Inference for Adaptive Compressed Sensing in Ultrasound Imaging

要約

超音波画像は通常、ビーム操作された走査線を順次取得することによって形成されます。
必要な走査線の数を最小限に抑えると、フレーム レート、視野、エネルギー効率、データ転送速度が大幅に向上します。
既存のアプローチは通常、静的サブサンプリング スキームをスパース ベースの回復、または最近ではディープ ラーニング ベースの回復と組み合わせて使用​​します。
この研究では、シルベスター正規化フロー エンコーダーを使用して、リアルタイムで部分観察の下で近似ベイジアン事後分布を推論し、その場で固有の情報ゲインを最大化する適応サブサンプリング法を導入します。
将来の観測のためにベイジアン事後モデルと深層生成モデルを使用して、サブサンプリングされた観測とビデオの次のフレームの間の相互情報を最大化するサブサンプリング スキームを決定します。
EchoNet 心臓超音波ビデオ データセットを使用してアプローチを評価し、当社のアクティブ サンプリング手法が均一および可変密度のランダム サンプリングや等間隔の走査線などの競合ベースラインを上回り、平均絶対再構成誤差が 15% 改善されることを実証します。
さらに、事後推論とサンプリング スキームの生成はわずか 0.015 秒 (66Hz) で実行されるため、リアルタイム 2D 超音波イメージング アプリケーションには十分な速度になります。

要約(オリジナル)

Ultrasound images are commonly formed by sequential acquisition of beam-steered scan-lines. Minimizing the number of required scan-lines can significantly enhance frame rate, field of view, energy efficiency, and data transfer speeds. Existing approaches typically use static subsampling schemes in combination with sparsity-based or, more recently, deep-learning-based recovery. In this work, we introduce an adaptive subsampling method that maximizes intrinsic information gain in-situ, employing a Sylvester Normalizing Flow encoder to infer an approximate Bayesian posterior under partial observation in real-time. Using the Bayesian posterior and a deep generative model for future observations, we determine the subsampling scheme that maximizes the mutual information between the subsampled observations, and the next frame of the video. We evaluate our approach using the EchoNet cardiac ultrasound video dataset and demonstrate that our active sampling method outperforms competitive baselines, including uniform and variable-density random sampling, as well as equidistantly spaced scan-lines, improving mean absolute reconstruction error by 15%. Moreover, posterior inference and the sampling scheme generation are performed in just 0.015 seconds (66Hz), making it fast enough for real-time 2D ultrasound imaging applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google