深度连贯学习:无监督的深波变频器用于医疗超声波中高质量的单平面波形象成像

科学领域:

• 医学超声波成像医学超声波成像
• 深度学习应用程序
• 信号处理 信号处理

背景情况:

• 平面波成像 (PWI) 提供高率,但面临着传统多传输方法的挑战.
• 针对单个PWI的深度学习 (DL) 方法旨在提高率,但由于缺乏基础真相数据而受到阻碍.
• 由于数据限制,PWI的现有DL方法在性能改进方面遇到了困难.

研究的目的:

• 提出一种新的无监督学习方法,即基于深度连贯学习 (DCL) 的DL光束转换器 (DL-DCL),用于高质量的单个PWI.
• 通过使用无监督的DL框架,从低质量的单个PWI数据中实现高质量的PWI.
• 开发一种适用于复杂基带信号的通用光束变频器.

主要方法:

• 开发了一个DL-DCL框架,利用一个独特的损失函数来训练DL网络来预测高度相关的信号.
• 在DL-DCL框架内使用复杂的基带信号来创建一个通用光束转换器.
• 通过模拟,幻影和体内研究验证DL-DCL性能,将其与传统光束造型器 (DAS,DMAS) 和其他DL方法 (监督学习,GAN) 进行比较.

主要成果:

• DL-DCL的空间分辨率与传统的DAS (75-PWs) 和DMAS (1-PW) 方法相提并论.
• 拟议的DL-DCL在对比分辨率方面显著超过了所有比较方法.
• 无监督学习方法有效地解决了基于DL的传统PWI的局限性,显示了最小的文物.

结论:

• DL-DCL框架为高质量的单个PWI提供了一个有前途的无监督学习解决方案.
• DL-DCL实现了出色的图像质量,特别是对比分辨率,而不需要地面真相数据.
• 这种方法在医学超声波成像中具有显著的临床应用潜力.