一种具有端到端应变正则化的无监督超声弹性成像方法
图像与视频处理
2020-11-05 v1
摘要
准静态超声弹性成像（USE）是一种通过确定软组织在施加机械力后的形变（即应变）度量来进行成像的模态。应变通常通过估计施加手动压缩前后获取的连续超声帧之间的位移来确定。位移预测（也称为时间延迟估计）的计算效率与精度是实时USE应用的关键挑战。本文提出一种用于超声射频（RF）数据间高效时间延迟估计的新型深度学习方法。所提方法由一个卷积神经网络（CNN）组成，该网络预测压缩前与压缩后一对超声RF帧之间的位移场。网络以无监督方式训练，通过优化参考图像与压缩图像之间的相似度度量。我们还引入了一个新的正则化项，通过直接优化应变平滑性来保持位移连续性。我们使用健康志愿者的超声仿真和体内数据验证了方法的性能。我们还将本方法与称为OVERWIND [17]的最先进方法进行比较。本方法在30对仿真和3对体内图像中的平均对比度噪声比（CNR）和信噪比（SNR）分别为7.70和6.95、7和0.31。我们的结果表明，我们的方法能有效预测准确的应变图像。我们方法的无监督特性代表了深度学习应用于临床超声数据分析的巨大潜力。
引用
@article{arxiv.2008.09572,
title = {An Unsupervised Approach to Ultrasound Elastography with End-to-end Strain Regularisation},
author = {Rémi Delaunay and Yipeng Hu and Tom Vercauteren},
journal= {arXiv preprint arXiv:2008.09572},
year = {2020}
}
备注
Accepted at MICCAI 2020