一个卷积神经网络用于束形和图像重建在被动化成像中

科学领域:

• 医学超声波成像医学超声波成像
• 人工智能在医学中的应用
• 信号处理 信号处理

背景情况:

• 被动化成像/映射 (PCI/PAM) 通过在接收器阵列中使用信号相关性来可视化化源.
• 传统的PCI重建方法 (例如,延迟和总和) 提供高分辨率,但计算密集,阻碍实时应用.
• 当前算法的缓慢处理速度是超声波切除等程序实时监控的瓶.

研究的目的:

• 评估3D卷积神经网络 (CNN) 对于学习被动化成像重建的有效性.
• 与实时超声监测的传统方法相比,评估基于CNN的重建的速度和准确性.

主要方法:

• 训练了一个3D卷积神经网络,用于对16x16元素矩阵探针进行图像重建.
• 网络处理了代表256 kHz至1.0 MHz的接收频率范围内的点源的模拟数据.
• 基于对传统算法的重建精度,灵敏度和处理速度来评估性能.

主要成果:

• 美国有线电视新闻网成功地重建了高灵敏度的体积图像,特别是单个孤立的化源 (在测试组中检测到100%).
• 虽然检测较弱的源随着源复杂度的增加而下降,但主要叶被始终确定.
• 网络推断非常快 (大约2小时). 178s为650),在同一个GPU上实现速度比传统方法快30倍.

结论:

• 3D CNN可以有效地学习和执行被动化成像重建算法.
• 由人工智能驱动的方法提供了显著的速度优势,使PCI能够实时监控.
• 这一进步有望提高PCI在超声波导向治疗中的实时应用.