DiffusionClusNet: Deep Clustering-Driven Diffusion Models for Ultrasound Image Enhancement
Notice bibliographique
Résumé
In modern medical diagnostics, high-quality ultrasound images are essential because they are cost-effective, non-invasive, and capable of providing dynamic recordings. Nevertheless, obtaining such high-quality images is challenging, especially in resource-limited areas, which negatively impacts diagnostic accuracy. To address these issues, we propose a novel method for enhancing ultrasound images using deep clustering-enhanced diffusion models. Our proposed method consists of two main components: an image enhancement pathway and an Auxiliary Classification Pathway (ACP), which are integrated through a Fusion of Image and Classification (FIC) module. The image enhancement pathway employs a structure that includes a Variational Autoencoder (VAE) encoder, a UNet denoising network, and a VAE decoder. This structure progressively reduces noise and generates high-quality images. Simultaneously, the ACP utilizes a convolutional neural network, a transformer encoder, and a clustering module to extract classification information, which supports the enhancement process. The FIC module uses a cross-attention mechanism to merge the image and classification features, thus enhancing the overall performance of image enhancement. To ensure the generated images retain their structural integrity, Structural Similarity (SSIM) loss is employed. Experiments conducted on multiple ultrasound datasets reveal that our method surpasses existing techniques in terms of peak signal-to-noise ratio and SSIM scores. Clinically, our approach significantly improves image contrast and structural detail, leading to more accurate diagnoses. This diffusion-based strategy for image enhancement and classification feature fusion introduces a fresh perspective on preserving structure and enhancing detail in medical image processing. Our Code is available at <uri xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">https://github.com/ichbincn/Ultrasound-Enhancement</uri>.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».