Semantische Diffusions-Posterior-Sampling zur Entnebelung von Herzultraschallbildern

Semantic Diffusion Posterior Sampling for Cardiac Ultrasound Dehazing

August 24, 2025

papers.authors: Tristan S. W. Stevens, Oisín Nolan, Ruud J. G. van Sloun

cs.AI

papers.abstract

Die Echokardiographie spielt eine zentrale Rolle in der kardialen Bildgebung, da sie dynamische Ansichten des Herzens bietet, die für die Diagnose und Überwachung unerlässlich sind. Die Bildqualität kann jedoch erheblich durch Dunst beeinträchtigt werden, der durch Mehrfachreflexionen entsteht, insbesondere bei schwierig zu untersuchenden Patienten. In dieser Arbeit schlagen wir einen semantikgesteuerten, diffusionsbasierten Entdunstungsalgorithmus vor, der für die MICCAI Dehazing Echocardiography Challenge (DehazingEcho2025) entwickelt wurde. Unser Verfahren integriert ein pixelweises Rauschmodell, das aus der semantischen Segmentierung von dunstigen Eingaben abgeleitet wird, in ein Diffusions-Posterior-Sampling-Framework, das durch ein generatives Prior-Modell geleitet wird, das auf sauberen Ultraschalldaten trainiert wurde. Die quantitative Auswertung auf dem Challenge-Datensatz zeigt eine starke Leistung in Bezug auf Kontrast- und Treue-Metriken. Der Code für den eingereichten Algorithmus ist unter https://github.com/tristan-deep/semantic-diffusion-echo-dehazing verfügbar.

English

Echocardiography plays a central role in cardiac imaging, offering dynamic views of the heart that are essential for diagnosis and monitoring. However, image quality can be significantly degraded by haze arising from multipath reverberations, particularly in difficult-to-image patients. In this work, we propose a semantic-guided, diffusion-based dehazing algorithm developed for the MICCAI Dehazing Echocardiography Challenge (DehazingEcho2025). Our method integrates a pixel-wise noise model, derived from semantic segmentation of hazy inputs into a diffusion posterior sampling framework guided by a generative prior trained on clean ultrasound data. Quantitative evaluation on the challenge dataset demonstrates strong performance across contrast and fidelity metrics. Code for the submitted algorithm is available at https://github.com/tristan-deep/semantic-diffusion-echo-dehazing.