强大的深度学习用于通过时间转移图像的脉冲回声速度

科学领域:

• 医学成像
• 超声波技术
• 医学的人工智能

背景情况:

• 对于超声波图像质量和诊断价值来说,音速 (SoS) 的精确空间分布至关重要.
• SoS成像能够纠正偏差,并提供一种新的疾病诊断对比机制.
• 与基于物理的方法相比,脉冲回声SoS成像存在重大挑战,通常限制了准确性.

研究的目的:

• 开发一种强大的深度学习 (DL) 方法,用于精确的脉冲回声SoS成像.
• 在不依赖特定的前进模型的情况下,学习测量时间转移和SoS之间的非线性映射.
• 通过各种优化策略提高SoS成像性能.

主要方法:

• 开发了一个DL模型来学习从时间转移到SoS的非线性映射.
• 时间转移地图使用常见的中角配置,规范的束形数据,并考虑依赖深度的频率.
• 结构相似度指标 (SSIM) 被整合到全球结构学习的损失函数中.
• 一个两阶段的训练策略包括射线追踪合成用于预训练和全波模拟用于微调.

主要成果:

• DL模型在各种条件下表现出强度和通用性.
• 一个经过模拟训练的模型成功地从实验幻影数据中重建了SoS地图.
• 与基于物理的反转方法相比,DL方法提高了重建精度和对比度.
• 开发的方法在幻影实验中显示出高精度和稳定性.

结论:

• 开发的DL方法为脉冲回声SoS成像提供了强大而准确的方法.
• 这种技术克服了传统基于物理的方法的局限性,改善了图像重建.
• 这些发现突显了DL在超声波成像技术的发展潜力,