Denoising Echocardiography with an Improved Diffusion Model
Notice bibliographique
Résumé
Echocardiography has been a crucial role in diagnosing cardiac disease. However, its effectiveness is often hindered by poor image clarity. Acoustic interference arises from multipath reflections caused by skin layers, subcutaneous fat, and intercostal muscle between the US transducer and the heart. Consequently, the appearance of noise and other artifacts presents a substantial obstacle to the accuracy of cardiac ultrasound imaging. Therefore, effective despeckling techniques are necessary to enhance the interpretability of ultrasound images and diagnostic results. Recently, diffusion approach has become a trending topic in computer vision. This paper proposes a diffusion model-based denoising method with an interpolation technique and a simple U-Net architecture to enhance ultrasound images' quality in an unsupervised manner. The proposed method generates the interim image by interpolating the initial noise-free image and its corresponding noisy image at each diffusion step. This method iteratively reduces the noise and preserves its texture to improve the quality of degraded images. The proposed approach was trained and then validated on two benchmarks. The experimental outcomes demonstrate that the proposed approach outperforms the other denoising approaches in clinically relevant qualitative and quantitative visual metrics. The source code will be made available at https://github.com/RPRO5/DiffUS.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».