组织杂乱过方法在超声波定位显微镜基于复杂的估值网络和知识蒸

科学领域:

• 医疗成像医学成像
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 超声波定位显微镜 (ULM) 需要精确的微气泡 (MB) 追踪,以实现高分辨率的微血管成像.
• 组织杂乱过对于ULM准确性至关重要,深度学习方法显示出有希望但面临效率限制.
• 现有的深度学习方法经常使用B模式图像,限制了它们在ULM应用中的效率.

研究的目的:

• 用知识蒸提高超声波局部化显微镜 (ULM) 的组织杂乱过效率和性能.
• 通过将知识从复杂值网络转移到实值网络,为ULM开发一种更快,更有效的过方法.
• 通过优化杂乱过来提高ULM中微容器重建的准确性.

主要方法:

• 使用I/Q信号的轻量级2D复杂值卷积神经网络 (CL-UNet) 作为教师模型被开发出来.
• 一个使用信封数据的2D实值卷积神经网络 (UNet-T) 被设计为学生模型.
• 基于特征的知识蒸被用于将过知识从CL-UNet传输到UNet-T,从而创建了指导UNet-T.

主要成果:

• 在模拟和体内数据上,CL-UNet模型在基于B模式图像的方法上表现出更高的过性能.
• 指导UNet-T显著优于传统的单值分解 (SVD) 和随机SVD (RSVD) 方法.
• 引导UNet-T实现了过速度和有效性之间的最佳平衡,在效率方面超过了现有的深度学习方法.

结论:

• 知识蒸提供了一种可行的策略,以提高基于深度学习的组织杂乱过在ULM的效率.
• 拟议的引导UNet-T方法为ULM成像提供了计算效率高和高效的解决方案.
• 这种方法通过改进的杂乱过来实现更快,更准确的微容器可视化,从而推动了ULM的发展.