抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
高強度集束超音波(FUS)のような超音波ベース治療に向けて,より高いパワー超音波が超音波弾性イメージングのための放射力を発生するか,または治療/セラノスティックが,FUSからの干渉によって影響を受ける。アーチファクトは,強度とパワーによってより顕著になった。この限界を克服するために,著者らは,FUS-net,FUSアーチファクト除去のためのTensorflow 2.3における「クリーン」および「崩壊」RFデータに関するCNNベースのU-netオートエンコーダを訓練したエンドツーエンドを組込む方法を提案した。ネットワークでは,潜在的空間におけるRFデータとFUSアーチファクトの表現を学習し,崩壊したRF入力の出力はクリーンなRFデータである。FUS-netは,評価したテストデータセット上で,積層オートエンコーダ(SAE)よりも15%優れていることを見出した。FUS-net RFからビーム成形したBモード画像は,ノッチフィルタリングおよび適応最小平均2乗フィルタRFデータよりも,優れたスペックル品質およびより良いコントラスト雑音(CNR)を示した。さらに,FUS-netフィルタリング画像は,すべての圧力レベルで,非seenスキャンから収集されたクリーン画像に対して,より低い誤差およびより高い類似性を有した。最後に,FUS-net RFを既存の相互相関スペックルトラッキングアルゴリズムで用いて変位マップを生成した。FUS-netは,RFデータから高圧FUS干渉を除去する従来のフィルタリングとSAEsを現在凌駕し,従って,すべてのFUSベースイメージングと治療方法に適用可能である。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】