具有信息性不确定度的超声图像扩散重建
计算机视觉与模式识别
2024-10-28 v1 机器学习
摘要
尽管超声成像在医学中应用广泛，其仍面临信噪比低以及多种噪声与伪影来源相关的若干挑战。提升超声图像质量需在对比度、分辨率和散斑保持等并发因素间取得平衡。近年来，基于模型与基于学习的方法来改善超声图像重建均取得进展。为兼取两者之长，我们提出一种利用扩散模型进展的混合方法。为此，我们调整去噪扩散修复模型（Denoising Diffusion Restoration Models, DDRM），通过线性直接模型与先验扩散模型的无监督微调来纳入超声物理特性。我们在模拟、体外与体内数据上开展全面实验，证明了该方法在由单平面波输入实现高质量图像重建方面相较于 SOTA 方法的效能。最后，鉴于方法的随机性，我们深入分析了单样本与多样本重建的统计特性，通过实验展示其方差的信息性，并给出将此行为与散斑噪声关联的经验模型。代码与数据可见于：（录用后提供）。
引用
@article{arxiv.2310.20618,
title = {Diffusion Reconstruction of Ultrasound Images with Informative Uncertainty},
author = {Yuxin Zhang and Clément Huneau and Jérôme Idier and Diana Mateus},
journal= {arXiv preprint arXiv:2310.20618},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication. (10 pages)