缓解异常引起的噪音:基于深度学习的异常到异常方法

科学领域:

• 医疗成像医学成像
• 超声波技术 超声波技术 超声波技术
• 人工智能在医学中的应用

背景情况:

• 阶段偏差显著降低了超声波图像质量,因为它通过异质组织扭曲了波传播.
• 由于领域转移问题,缺乏现实世界,非废弃的基准真相数据阻碍了深度学习模型培训.
• 现有的方法在实际临床环境中难以准确地纠正相位偏差.

研究的目的:

• 开发一种基于深度学习的方法,用于超声波成像中的相位偏差校正,不需要地面真实数据.
• 为了使模型在现实世界的实验数据上进行直接训练,克服模拟到实验领域的差距.
• 为了提高相位偏差校正技术的稳定性和性能.

主要方法:

• 一个新的深度学习网络,以随机偏差的射频 (RF) 数据作为输入和目标输出进行训练.
• 实现适应性混合损失函数,利用B模式和射频数据来提高训练效率和性能.
• 公开发布大型数据集 (>18万张图像) 与模拟的近场阶段屏幕,用于培训和验证.

主要成果:

• 拟议的深度学习方法成功地纠正相位偏差,而不需要地面真相数据.
• 与平均平方误差等传统方法相比,自适应混合损失函数显示出更高的收率和性能.
• 公开发布的数据集和代码促进了超声波相位偏差校正的进一步研究和开发.

结论:

• 可以有效地训练深度学习模型,只使用异常数据进行相位偏差校正,从而消除了对基本真相的需求.
• 适应性混合损失功能对于这些网络的最佳训练至关重要,从而提高图像质量.
• 数据集和源代码的可用性将加速超声波成像AI的进步.