Red neuronal convolucional tridimensional para la detección de eco superficial por ultrasonido | JoVE Visualize

Área de la Ciencia:

Física del ultrasonido y procesamiento de señales
Inteligencia artificial en imágenes
Pruebas no destructivas y diagnóstico médico

Sus antecedentes:

Las imágenes de matriz de ultrasonido se basan en mediciones precisas de tiempo de vuelo (TOF) para la derivación de la ley focal.
Los ecos de superficie son críticos para la determinación de TOF, pero los métodos de detección convencionales son sensibles al ruido.
Se necesitan técnicas sólidas para superar las limitaciones en los algoritmos tradicionales de cruce de umbrales y búsqueda de picos.

Objetivo del estudio:

Desarrollar y evaluar una red neuronal convolucional 3D profunda (CNN) para la detección precisa de eco superficial en datos de captura de matriz completa (FMC) con ultrasonido.
Evaluar el rendimiento del modelo CNN propuesto con respecto a los métodos de estimación de TOF establecidos.
Demostrar el potencial de la IA para mejorar la precisión de las imágenes de ultrasonido.

Principales métodos:

Una CNN 3D profunda, llamada DeepEcho3D, fue diseñada para la detección de eco de superficie.
La CNN fue entrenada usando señales de ultrasonido FMC de una matriz y componentes de referencia.
El posicionamiento preciso de la sonda fue asegurado por una configuración de brazo robótico, y los datos etiquetados se generaron utilizando TOFs teóricos.

Principales resultados:

El modelo DeepEcho3D demostró una alta alineación con los valores TOF de la verdad del terreno.
La CNN redujo significativamente los valores atípicos de la estimación de TOF hasta en un 98% en comparación con los métodos convencionales.
El método propuesto muestra una robustez superior en entornos de señal de ultrasonido ruidosos.

Conclusiones:

DeepEcho3D ofrece una solución altamente precisa y robusta para la detección de eco de superficie en imágenes de ultrasonido.
El enfoque impulsado por la IA mejora significativamente la estimación de TOF, lo que beneficia a las aplicaciones de NDT y de imágenes médicas.
Este estudio destaca la eficacia del aprendizaje profundo en el avance del análisis e interpretación de datos de ultrasonido.