基于深度学习的 3D B 超散斑抑制用于三维配准应用
图像与视频处理
2020-08-05 v1 计算机视觉与模式识别
摘要
超声（US）散斑是一种颗粒状图案，会妨碍图像分割与配准等图像后处理任务。传统滤波方法常用于去除 US 散斑，其主要缺点是在三维场景下运行时间长。尽管已有少量研究使用深度学习去除二维 US 散斑，但据我们所知，尚无研究利用深度学习对 3D B 超进行散斑抑制。在本研究中，我们提出一种 3D 密集 U-Net 模型来处理来自临床超声系统的 3D US B-mode 数据。该模型的结果被应用于三维配准。我们表明，与传统滤波方法（0.978）相比，我们的深度学习框架在散斑抑制上可获得相似的抑制效果和均值保持指数（1.066），同时将运行时间降低了两个数量级。此外，发现使用我们的深度学习模型进行散斑抑制有助于提升三维配准性能。使用 3D U-Net 散斑抑制的 3D 数据三维配准的均方误差相较含散斑情况减少了一半。
引用
@article{arxiv.2008.01147,
title = {3D B-mode ultrasound speckle reduction using deep learning for 3D registration applications},
author = {Hongliang Li and Tal Mezheritsky and Liset Vazquez Romaguera and Samuel Kadoury},
journal= {arXiv preprint arXiv:2008.01147},
year = {2020}
}
备注
10 pages, 3 figures and 3 tables