硬件独立的深度信号处理:心声回声仪的可行性研究

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 超声波技术 超声波技术 超声波技术

背景情况:

• 传统的超声波 (US) 信号处理是复杂的,并且依赖于硬件.
• 深度学习 (DL) 为信号处理提供了一个潜在的替代方案,承诺减少推断时间和硬件可移植性.
• 美国现有的DL模型往往专注于特定的任务,而不是复制整个处理链.

研究的目的:

• 开发和评估一个DL模型,复制一个高端美国系统的BMode信号处理链.
• 用不同的探测器和在低端美国系统上评估模型的性能.
• 探索将先进的美国功能转移到不那么复杂的硬件的潜力.

主要方法:

• 一个深度神经网络 (DNN) 使用监督学习进行训练,将原始的相位和方位数据映射到处理的美国图像中.
• 训练数据集包括来自GE HealthCare Vivid E95系统的30,000个心脏图像框架.
• DL模型复制了关键的处理步骤,包括过,复合和压缩.

主要成果:

• 轻量级的DL模型准确地复制了商业扫描仪的信号处理链.
• 在测试数据集上,达到了98.56 ± 0.49的结构相似度指数 (SSIM).
• 当DL模型应用于来自不同探头的数据时,它显示了同等或更好的图像质量.
• 当应用到Verasonics数据集时,观察到更好的图像质量,这表明将功能移植到低端系统的潜力.

结论:

• 单个DL模型可以有效地复制高端美国系统的BMode处理链,用于特定的应用.
• 对于美国供应商来说,DL模型显示出具有成本效益的调整和实施策略的前景.
• 开发的DL模型有助于将先进的美国成像能力转移到低端系统,从而提高了可访问性和性能.