通过深度学习推进单平面波超声成像与隐性多边形声学合成

科学领域:

• 医学超声波 医学超声波
• 图像处理 图像处理
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 平面波成像 (PWI) 为医疗超声波 (美国) 中实时生理监测提供了超快的功能.
• 传统上,提高PWI图像质量需要更多的平面波 (PW),从而降低率.
• 现有的深度学习 (DL) 方法通常使用单个PW输入,无法捕获方向波信息.

研究的目的:

• 为PWI开发一个DL架构,隐式集成多角度信息.
• 为了提高PWI图像质量和稳定性,而不会影响高率.
• 为了克服单一PW输入方法在捕获定向波数据方面的局限性.

主要方法:

• 开发了一个DL架构,可以从单个输入视图生成和结合虚拟引导PW.
• 利用注意力机制将虚拟PW与实际单个PW数据合并.
• 采用隐式多角度声学合成,用于高质量的图像重建.

主要成果:

• 实现了高质量的成像输出,与广泛的多角度复合相提并论.
• 在模拟,幻影和体内目标中,与传统的单一PW策略相比,表现出卓越的性能.
• 在成像结果中展示了增强的稳定性,可靠性和稳定性,保留了斑点图案和诊断细节.

结论:

• 拟议的方法推进了PWI技术,通过在不牺牲速度的情况下实现高质量的成像.
• 隐式多角度声学合成为美国实时成像挑战提供了一个有希望的解决方案.
• DL方法有效地恢复了在体内诊断成像中的关键细节.