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

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.