用于超声波成像的光束形成集成神经网络

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 信号处理 信号处理

背景情况:

• 延迟和总和 (DAS) 束形是计算密集的.
• 稀疏矩阵束形 (SMB) 提供了一个计算效率高的DAS束形的重构.
• 机器学习平台支持稀疏矩阵运算,从而实现集成.

研究的目的:

• 开发光束形成集成神经网络 (BINNs) 来从射频 (RF) 数据直接推断超声波图像.
• 使用玩具模型来证明BINNs的可行性和效率.
• 在体内应用BINNs以进行高质量的B模式图像重建.

主要方法:

• 开发了一个玩具BINN,具有卷积层和SMB层,用于可行性测试.
• 设计了一个更复杂的BINN,将RF域和图像域卷积层与SMB层集成在一起.
• 训练有素的BINN使用来自人类志愿者的单射平面波RF数据.

主要成果:

• 玩具BINN在PyTorch和TensorFlow上展示了高效的训练和推理时间.
• 与传统的CNN相比,BINN应用程序在B模式图像质量方面取得了显著的改进.
• 与图像对图像和射频对图像CNN相比,平均平方对数错误的改善分别为21.3%和431%.

结论:

• 波束形成集成神经网络 (BINNs) 显示了直接超声波图像重建的潜力.
• 将SMB原则集成到神经网络中,为医学成像提供了一个知情的机器学习框架.
• BINNs可以提高超声波图像质量和计算效率.