在使用深度学习的单平面波成像中改善图像质量

科学领域:

• 医疗成像医学成像
• 超声波技术 超声波技术
• 人工智能的人工智能

背景情况:

• 单平面波成像 (SPWI) 提供高时间分辨率,但牺牲空间分辨率和对比度.
• 一致的平面波组合 (CPWC) 提高了图像质量,但减少了时间分辨率.
• 目前用于从有限平面波中重建高质量的图像的现有方法无法充分利用射频信号的特性.

研究的目的:

• 开发新的方法,从SPWI数据中重建高质量的超声波图像.
• 为了实现与CPWC相比的图像质量,同时保持高时间分辨率.
• 通过结合射频信号特征来解决当前重建技术的局限性.

主要方法:

• 使用编码器-解码器模型,包括1D U-Net,2D U-Net及其组合.
• 在训练期间,考虑到点传播效应和射频信号频谱,将损失函数最小化.
• 开发并利用SPWI/CPWC数据的大规模公共数据集进行培训和验证.

主要成果:

• 与传统方法相比,提出的方法成功地从SPWI射频信号中重建了更高质量的超声波图像.
• 在公共和定制数据集上展示了深度学习方法的有效性.
• 获得的图像质量与来自SPWI数据的CPWC相当.

结论:

• 提出的深度学习方法有效地提高了SPWI中的超声波图像质量.
• 这些方法为获得具有高时间分辨率的高分辨率,高对比度超声波图像提供了有前途的解决方案.
• 开发的数据集有助于进一步研究人工智能驱动的超声波成像.