基于骨骼增强注意机制的高分辨率高帧率超声束集成深度学习框架——BEAM-Net
信号处理
2025-07-22 v1
摘要
迷你化、低成本点诊超声(POCUS)设备日益增多地用于肌肉骨骼(MSK)应用，以进行骨组织结构检查。然而，MSK超声图像常受散斑噪声、低分辨率、差对比度和各向异性反射的限制，使骨图像难以解释且需要额外后处理。通常，医学超声系统使用延迟求和束集成(DASB)进行图像重建，但未针对骨组织进行优化。为解决这些限制，我们提出BEAM-Net，这是一种新型的端到端深度神经网络(DNN)，用于集成骨骼增强的高帧率超声束集成，采用单平面波(SPW)射频(RF)数据作为输入。我们的方案嵌入骨骼概率图(BPM)，作为注意力机制以强化图像中骨组织区域的结构相似性。该方法是首个将骨骼增强直接集成到超声束集成中的深度学习方法。BEAM-Net在体外 MSK 和合成 RF 超声数据集上进行训练和评估。本文提出边缘保持指数(EPI)作为评估骨增强超声图像结构保真度的新型区域聚焦指标。BEAM-Net 与传统 DASB 和现有深度学习架构进行比较，采用 EPI、对比度比(CR)、信噪比(SNR)、散斑相似性指数(SSI)和结构相似性指数(SSIM)。BEAM-Net 在体外 MSK 和合成 RF 数据集上分别实现了约51.4% 和 51% 更高的 CR，约为 94.2% 和 73.3% 的更高 SNR。相较于多束定向平面波 DASB(MPW-DASB)，BEAM-Net 在体外 MSK 上实现约19.8% 和 24% 的 CR 和 SNR 提升，在合成数据上实现约2.5% 和 12.8% 的提升。
引用
@article{arxiv.2507.15306,
title = {BEAM-Net: A Deep Learning Framework with Bone Enhancement Attention Mechanism for High Resolution High Frame Rate Ultrasound Beamforming},
author = {Midhila Madhusoodanan and Mahesh Raveendranatha Panicker and Pisharody Harikrishnan Gopalakrishnan and Abhilash Rakkunedeth Hareendranathan},
journal= {arXiv preprint arXiv:2507.15306},
year = {2025}
}