超音波イメージングは非侵襲的でリアルタイムかつコスト効率の高い臨床診断技術であり、さまざまな疾患の検出とモニタリングに広く利用されています。しかし、超音波画像に不可避的に存在するスペックルノイズは画質を著しく低下させ、解剖学的構造を不明瞭にするため、診断精度に悪影響を及ぼします。既存のスペックル低減手法は組織の境界を過度に平滑化する傾向があり、不均一なノイズレベルへの適応性に乏しいという問題があります。これらの課題に対処するため、本研究ではYuexi Gu氏を含む5名の著者により、ノイズ認識型境界強調生成学習（Noise-Aware Boundary-Enhanced Generative Learning、略称NBGL）フレームワークが提案されました。本論文は2026年6月23日にarXivプレプリントサーバーに投稿され（ID: 2606.25009）、コンピュータビジョンとパターン認識（cs.CV）および人工知能（cs.AI）の分野に分類されています。
NBGLフレームワークは、スペックル低減ブランチと境界強調ブランチの2つの主要なブランチで構成されています。前者は生成学習を活用してスペックルノイズを抑制し、後者は境界に敏感な特徴表現を学習して対象の解剖学的構造を保存します。これら2つのブランチの連携を調整するために、ノイズ認識型相互作用重み生成（NIWG）モジュールが導入されました。このモジュールは、まず3Dラプラシアンフィルタリングと中央絶対偏差推定器を用いて超音波画像内のスペックルノイズレベルを定量化し、その結果を適応的な相互作用重みに変換します。この重みは加重特徴線形変調（wFiLM）モジュールに組み込まれ、ブランチ間の特徴結合を動的に調整することで、さまざまなノイズレベルに対するロバスト性を向上させます。
実験では、141の3D経膣超音波ボリュームデータセットを用いて広範な評価が行われました。6つの異なるノイズレベルを設定し、NBGLを複数の最先端スペックル低減手法と比較した結果、NBGLはすべてのノイズレベルにおいて一貫して優れた性能を示しました。特に、スペックル低減効果と解剖学的境界の保存の両面で優れており、生成された画像は手動で注釈付けされた解剖学的境界と高い一致性を維持していました。この研究は超音波画像の品質向上に新たな技術的経路を提供し、関連分野の研究進展と製品化応用に貢献することが期待されます。