一个基于KL分歧的损失,用于使用深度学习进行in vivo超快超声波图像增强
Roser Viñals1, Jean-Philippe Thiran1,2
1Signal Processing Laboratory 5 (LTS5), École Polytechnique Fédérale de Lausanne (EPFL), 1015 Lausanne, Switzerland.
Journal of imaging
|December 22, 2023
概括
这项研究引入了一种使用在现实超声波图像上训练的卷积神经网络 (CNN) 的新方法,以提高图像质量. 这种方法通过减少工件和提高信号噪声比来增强超快超声波成像.
科学领域:
- 医学成像医学成像
- 超声波技术的超声波技术
- 医学中的人工智能
背景情况:
- 超快超声波成像可以实现高率,但图像质量较低.
- 卷积神经网络 (CNN) 在不牺牲速度的情况下,有望提高超声波图像质量.
- 现有的CNN模型通常在体内图像上表现不佳,原因是对模拟数据进行训练.
研究的目的:
- 开发和验证一种基于CNN的方法,用于增强单平面波 (PW) 超声波采集,使用体内训练数据.
- 引入一种新的训练损失函数,解决无线电频率数据的动态范围和回声性分布.
- 严格评估拟议方法在大型体内数据集上的性能.
主要方法:
- 在20,000个体内超声波图像的数据集上训练CNN模型的开发.
- 实施一个专门的训练损失函数,将Kullback-Leibler分歧纳入回声性分布的保存.
- 使用峰值信号与噪声比率 (PSNR) 和结构相似度指数 (SSIM) 测量与87个PW的连贯复合的比较分析.
主要成果:
- 在CNN方法显著提高图像质量,增加PSNR从16.47±0.80dB到20.29±0.31dB.
- SSIM从0.105 ± 0.060提高到0.272 ± 0.040,表明结构保存更好.
- 该方法有效地减少了超快超声波图像中的文物.
结论:
- 拟议的CNN方法,训练在体内数据与量身定制的损失函数,大大提高了超快超声波图像质量.
- 这种方法为改善实时超声波应用中的诊断准确性提供了可行的解决方案.
- 这些发现突出了AI在克服当前超声波成像技术局限性的潜力.
