Échantillonnage de diffusion sémantique a posteriori pour le débrumage des échocardiographies

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

L'échocardiographie joue un rôle central dans l'imagerie cardiaque, offrant des vues dynamiques du cœur essentielles pour le diagnostic et le suivi. Cependant, la qualité de l'image peut être considérablement dégradée par la brume résultant de réverbérations multipath, en particulier chez les patients difficiles à imager. Dans ce travail, nous proposons un algorithme de débrumage basé sur la diffusion et guidé sémantiquement, développé pour le défi MICCAI Dehazing Echocardiography (DehazingEcho2025). Notre méthode intègre un modèle de bruit pixel par pixel, dérivé de la segmentation sémantique des entrées brumeuses, dans un cadre d'échantillonnage postérieur par diffusion guidé par un a priori génératif entraîné sur des données ultrasonores propres. L'évaluation quantitative sur le jeu de données du défi démontre de solides performances en termes de métriques de contraste et de fidélité. Le code de l'algorithme soumis est disponible à l'adresse suivante : 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.