通过使用深度学习从半球稀疏阵列传感器生成虚拟密集阵列传感器来减少光声学图像中的人工物
Makoto Yamakawa1, Tsuyoshi Shiina2
1SIT Research Laboratories, Shibaura Institute of Technology, 3-7-5 Toyosu, Koto-ku, Tokyo, 135-8548, Japan. makoto@shibaura-it.ac.jp.
Journal of medical ultrasonics (2001)
|March 14, 2024
概括
深度学习通过生成虚拟传感器信号来减少光声成像中的工件. 这种方法增强了深层血管的可视化,在临床应用中被证明是有效的.
科学领域:
- 医疗成像医学成像
- 生物医学工程 生物医学工程
- 人工智能的人工智能
背景情况:
- 血管成像对于疾病诊断和手术规划至关重要.
- 光声学成像提供了血管的非侵入性,高分辨率的可视化.
- 半球阵列传感器非常适合用于各种血管成像,但稀疏阵列会导致人工物.
研究的目的:
- 为了减少由稀疏的半球阵列传感器引起的光声学图像中的工件.
- 通过深度学习来增强深层血管的可视化.
- 开发一个计算效率高的方法来减少文物.
主要方法:
- 使用2D卷积神经网络 (CNN) 来生成虚拟传感器信号.
- 虚拟传感器被战略性地放置在真实传感器之间,以螺旋式的模式.
- 用真实和生成的虚拟传感器信号重建了光声学图像.
主要成果:
- 与仅使用真实传感器数据相比,观察到图像工件的显著减少.
- 拟议的方法在模拟和人手掌测量数据上都表现出有效性.
- 重建的图像显示了更好的清晰度和减少了文物存在.
结论:
- 深度学习方法有效地减少了光声成像中的工件.
- 该方法可以更清晰地可视化深层血管.
- 处理时间适合临床测量,表明实际适用性.
