基于深度学习的超分辨率的波形特异性性能,用于超声波对比成像

科学领域:

• 医疗成像医学成像
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 用微泡进行超声波对比成像可视化血液流动,用于心血管诊断.
• 矢量流图像增强了动脉流的时间分辨率.
• 目前的超声波成像缺乏足够的空间分辨率来进行详细的动脉流量分析.

研究的目的:

• 评估使用卷积神经网络 (CNN) 进行微泡定位的基于深度学习的解卷性能.
• 在不同的信号噪声比 (SNR) 条件下,用不同的超声波脉冲方案 (和声,声,延迟编码) 评估CNN性能.
• 在实际的临床环境中确定超高分辨率超声波的最佳成像策略.

主要方法:

• 训练CNN来解射频 (RF) 信号以实现微泡超定位.
• 用和脉冲,声和延迟编码脉冲列车测试CNN的性能.
• 在无噪声和低SNR条件下评估性能,包括初步实验结果.

主要成果:

• 在所有测试的脉冲类型中,CNN精确地定位了微气泡.
• 短图像脉冲在无噪声场景中提供了最佳性能.
• 声脉冲在无噪声条件下表现出与短脉冲相似的性能,在低SNR环境中表现出优越的稳定性和性能.

结论:

• 基于深度学习的解卷显示了增强超声波空间分辨率的巨大潜力.
• 声脉冲是一种有前途的传输方案,用于在具有挑战性的低SNR超声成像中强大的微泡定位.
• 需要进一步的研究来克服成功的 in vitro 和 in vivo 超分辨率应用的障碍.