Diffusion Reconstruction of Ultrasound Images with Informative Uncertainty

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、信号対雑音比が低く、いくつかのノイズやアーティファクトの発生源に関連するいくつかの課題に直面しています。
超音波画像の品質を向上させるには、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取る必要があります。
近年、超音波画像の再構成を改善するために、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ています。
両方の利点を生かし、普及モデルの進歩を活用したハイブリッド アプローチを提案します。
この目的を達成するために、線形直接モデルと以前の拡散モデルの教師なし微調整を通じて超音波物理学を組み込むようにノイズ除去拡散復元モデル (DDRM) を適応させます。
私たちは、模擬データ、in vitro データ、および in vivo データに対して包括的な実験を実施し、単一平面波入力から高品質の画像再構成を達成する際の私たちのアプローチの有効性を最先端の方法と比較して実証しています。
最後に、この方法の確率的性質を考慮して、単一および複数サンプルの再構成の統計的特性を詳細に分析し、それらの分散の有益性を実験的に示し、この動作をスペックル ノイズに関連付ける経験的モデルを提供します。
コードとデータは次の場所から入手できます (受け入れ次第)。

要約(オリジナル)

Despite its wide use in medicine, ultrasound imaging faces several challenges related to its poor signal-to-noise ratio and several sources of noise and artefacts. Enhancing ultrasound image quality involves balancing concurrent factors like contrast, resolution, and speckle preservation. In recent years, there has been progress both in model-based and learning-based approaches to improve ultrasound image reconstruction. Bringing the best from both worlds, we propose a hybrid approach leveraging advances in diffusion models. To this end, we adapt Denoising Diffusion Restoration Models (DDRM) to incorporate ultrasound physics through a linear direct model and an unsupervised fine-tuning of the prior diffusion model. We conduct comprehensive experiments on simulated, in-vitro, and in-vivo data, demonstrating the efficacy of our approach in achieving high-quality image reconstructions from a single plane wave input and in comparison to state-of-the-art methods. Finally, given the stochastic nature of the method, we analyse in depth the statistical properties of single and multiple-sample reconstructions, experimentally show the informativeness of their variance, and provide an empirical model relating this behaviour to speckle noise. The code and data are available at: (upon acceptance).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google