一种用于超声图像实时去噪的通用深度学习框架

由于采集方法的高效性和无创性，超声图像在肌肉骨骼、心脏和产科疾病的医学诊断中十分普遍。然而，超声采集会在信号中引入噪声，从而破坏所得图像并影响进一步的 processing 步骤，例如分割和定量分析。我们定义了一种用于超声图像实时去噪的新型深度学习框架。首先，我们比较了最先进的去噪方法（例如谱方法、低秩方法），并选择 WNNM（加权核范数最小化）作为在精度、解剖特征保持和边缘增强方面最佳的去噪方法。然后，我们提出了 WNNM 的调优版本（tuned-WNNM），其改善了去噪图像的质量并扩展了其对超声图像的适用性。通过深度学习框架，tuned-WNNM 在实时下定性且定量地复现了 WNNM 的结果。最后，我们的方法在其深度学习和高性能计算框架的构建模块与参数方面是通用的；事实上，我们可以选择不同的去噪算法和深度学习架构。