一种用于无分块超声定量参数图像估计及不确定性度量的深度学习方法
信号处理
2023-02-28 v1
摘要
定量超声（QUS）旨在寻找与组织微结构相关的散射体特性。在不同的QUS参数中，散射体数密度已被发现是检测多种异常现象的可靠生物标志物。同频K分布（HK-distribution）是超声回波幅度概率密度函数的一种模型，可建模不同的散射场景，但需要大量样本才能可靠估计。HK分布参数的参数图像可通过将包络数据划分为小的重叠块并独立估计块内参数来形成。该方法带来两个限制：假设HK分布参数在每个块内恒定，且每个块需要足够的独立样本。为缓解这些问题，我们采用深度学习方法在无分块情况下估计散射体数密度（与HK分布形状参数相关）的参数图像。此外，对网络预测的不确定性图进行量化，以提供网络对所估计HK参数值置信度的洞察。
引用
@article{arxiv.2302.12901,
title = {A deep learning approach for patchless estimation of ultrasound quantitative parametric image with uncertainty measurement},
author = {Ali K. Z. Tehrani and Ivan M. Rosado-Mendez and Hayley Whitson and Hassan Rivaz},
journal= {arXiv preprint arXiv:2302.12901},
year = {2023}
}
备注
Accepted in SPIE 2023