超声波成像的完全复杂的有价值的门循环神经网络

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 信号处理 信号处理

背景情况:

• 超声波成像是一种至关重要的诊断工具,但传统的方法,如延迟和总和 (DAS) 束造型器,存在低分辨率和对比度的问题.
• 适应式光束造型器 (ABF) 提高图像质量,但通常需要大量的计算资源,阻碍实时应用.
• 深度学习为快速的超声波信号处理和图像构建提供了潜力.

研究的目的:

• 开发和评估一种新的深度学习模型,以提高超声波图像质量.
• 为了利用复杂值信号和循环神经网络来增强超声波重建.
• 解决现有方法的计算成本和实时性能限制.

主要方法:

• 为超声波图像重建提出了一个全复杂值的封闭循环神经网络 (GRU).
• 该模型结合了复杂数计算,考虑到超声波信号的时间属性.
• 复杂批量规范化,分析信号和复杂权重被分析用于模型优化.

主要成果:

• 拟议的复杂值GRU模型在重建高质量的超声波图像方面表现出增强的性能.
• 分析信号与复杂权重相结合,显著提高了模型性能.
• 该模型在实验评估中与七种最先进的方法相比,取得了更好的结果.

结论:

• 完全复杂的GRU模型代表了超声波成像技术的重大进步.
• 这种方法有效地提高了图像质量,同时保持了实时应用的计算效率.
• 这些发现表明了人工智能驱动的医学超声波未来发展的有希望的方向.