用于医学超声的基于深度学习的自适应与压缩波束成形
图像与视频处理
2020-02-25 v3 计算机视觉与模式识别
机器学习
摘要
在超声（US）成像中，人们研究了各种类型的自适应波束成形技术，以提高延迟求和（DAS）波束成形器的分辨率和对比噪声比。然而，当底层模型不够准确且通道数减少时，这些自适应波束成形方法的性能会下降。为了解决这个问题，我们在此提出一种基于深度学习的波束成形器，以在广泛变化的测量条件和通道子采样模式下生成显著改善的图像。具体而言，我们的深度神经网络被设计为直接处理在各种子采样率和探测器配置下获取的完整或子采样射频（RF）数据，从而使其能够使用单一波束成形器生成高质量超声图像。这种依赖于输入的自适应性的来源也得到了理论分析。使用 B 型聚焦超声的实验结果证实了所提方法的有效性。
引用
@article{arxiv.1907.10257,
title = {Adaptive and Compressive Beamforming Using Deep Learning for Medical Ultrasound},
author = {Shujaat Khan and Jaeyoung Huh and Jong Chul Ye},
journal= {arXiv preprint arXiv:1907.10257},
year = {2020}
}
备注
This is a significantly extended version of the original paper in arXiv:1901.01706. This paper is accepted for IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control