一个基于深度强化学习的区域特定光束转换器,用于稀疏阵列3D超声波成像

科学领域:

• 医疗成像医学成像
• 超声波技术 超声波技术 超声波技术
• 人工智能在医学中的应用

背景情况:

• 3D超声波成像中的稀疏阵列可以减少元素,但会导致侧叶物件,降低图像质量.
• 现有的自适应光束造型器可以减轻文物,但往往会损害斑点纹理,导致不自然的图像.

研究的目的:

• 推出RSB-Net,这是一款利用深度增强学习 (DRL) 的新型区域特定光束变换器.
• 通过根据图像区域自适应地选择光束造型器来克服现有方法的局限性.

主要方法:

• RSB-Net采用DRL来区分易有文物和富有纹理的区域.
• 它将自适应束形应用于工件区域和延迟和总和 (DAS) 束形,以保持斑点纹理.
• 在模拟和实验合成发射孔 (STA) 射频数据集上使用2D稀疏阵列原型进行了验证.

主要成果:

• 与DAS相比,RSB-Net在模拟数据上显著提高了52.81dB的对比率 (CR) 和0.65的通用对比度 (gCNR).
• 在实验幻影数据上观察到类似的性能增长 (51.01 dB CR,0.64 gCNR).
• 这种方法有效地减少了侧叶片的工件,同时保持了基本的图像纹理.

结论:

• RSB-Net提供了一个强大的解决方案,用于使用稀疏阵列进行高质量的B模式3D超声波成像.
• 它有潜力通过改善解剖学可视化和测量精度来推进3D超声波标准化.
• 这种技术可以减少操作员的依赖,并提高病变和化的检测.