UlRe-NeRF: 3D Ultrasound Imaging through Neural Rendering with Ultrasound Reflection Direction Parameterization

要約

3 次元超音波イメージングは​​、医療診断で広く使用されている重要な技術です。
ただし、従来の 3D 超音波イメージング方法には、固定解像度、低いストレージ効率、不十分なコンテキスト接続などの制限があり、複雑なアーティファクトや反射特性を処理する際のパフォーマンスが低下します。
最近、NeRF (Neural Radiance Fields) に基づく技術により、ビュー合成と 3D 再構成が大幅に進歩しましたが、高品質の超音波イメージングに関しては研究のギャップがまだ残っています。
これらの問題に対処するために、私たちは暗黙的ニューラル ネットワークと明示的超音波ボリューム レンダリングを超音波ニューラル レンダリング アーキテクチャに組み合わせた新しいモデル UlRe-NeRF を提案します。
このモデルには、反射方向パラメータ化と高調波エンコーディングが組み込まれており、指向性 MLP モジュールを使用してビュー依存の高周波反射強度推定値を生成し、空間 MLP モジュールを使用して媒体の物理特性パラメータを生成します。
これらのパラメータは、媒体内での超音波の伝播と反射の動作を正確に再現するために、ボリューム レンダリング プロセスで使用されます。
実験結果は、UlRe-NeRF モデルが、特に複雑な媒体構造の処理において、高忠実度の超音波画像再構成のリアリズムと精度を大幅に向上させることを示しています。

要約(オリジナル)

Three-dimensional ultrasound imaging is a critical technology widely used in medical diagnostics. However, traditional 3D ultrasound imaging methods have limitations such as fixed resolution, low storage efficiency, and insufficient contextual connectivity, leading to poor performance in handling complex artifacts and reflection characteristics. Recently, techniques based on NeRF (Neural Radiance Fields) have made significant progress in view synthesis and 3D reconstruction, but there remains a research gap in high-quality ultrasound imaging. To address these issues, we propose a new model, UlRe-NeRF, which combines implicit neural networks and explicit ultrasound volume rendering into an ultrasound neural rendering architecture. This model incorporates reflection direction parameterization and harmonic encoding, using a directional MLP module to generate view-dependent high-frequency reflection intensity estimates, and a spatial MLP module to produce the medium’s physical property parameters. These parameters are used in the volume rendering process to accurately reproduce the propagation and reflection behavior of ultrasound waves in the medium. Experimental results demonstrate that the UlRe-NeRF model significantly enhances the realism and accuracy of high-fidelity ultrasound image reconstruction, especially in handling complex medium structures.

arxiv情報

著者 Ziwen Guo,Zi Fang,Zhuang Fu
発行日 2024-09-13 13:40:31+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI パーマリンク