Muestreo de Posterior de Difusión Semántica para la Eliminación de Niebla en Ecocardiografías

Semantic Diffusion Posterior Sampling for Cardiac Ultrasound Dehazing

August 24, 2025

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

cs.AI

Resumen

La ecocardiografía desempeña un papel central en la imagen cardíaca, ofreciendo vistas dinámicas del corazón que son esenciales para el diagnóstico y el monitoreo. Sin embargo, la calidad de la imagen puede verse significativamente degradada por la neblina resultante de reverberaciones de múltiples trayectorias, particularmente en pacientes difíciles de visualizar. En este trabajo, proponemos un algoritmo de eliminación de neblina basado en difusión y guiado semánticamente, desarrollado para el MICCAI Dehazing Echocardiography Challenge (DehazingEcho2025). Nuestro método integra un modelo de ruido píxel a píxel, derivado de la segmentación semántica de entradas con neblina, en un marco de muestreo posterior de difusión guiado por un previo generativo entrenado con datos de ultrasonido limpios. La evaluación cuantitativa en el conjunto de datos del desafío demuestra un rendimiento sólido en métricas de contraste y fidelidad. El código del algoritmo presentado está disponible en https://github.com/tristan-deep/semantic-diffusion-echo-dehazing.

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.