用于超声弹性成像位移估计的卷积神经网络双向半监督训练
图像与视频处理
2022-02-01 v1
摘要
超声弹性成像 (USE) 的性能在很大程度上取决于位移估计的准确性。近期，卷积神经网络 (CNN) 在光流估计中展现出优异的性能，并被引入用于 USE 位移估计。在计算机视觉图像上训练的网络并未针对 USE 位移估计进行优化，因为计算机视觉图像与高频射频 (RF) 超声数据之间存在巨大差异。许多研究者尝试通过应用迁移学习将光流 CNN 适配于 USE，以提升 CNN 在 USE 中的性能。然而，真实超声数据中的真实位移是未知的，且模拟数据与真实数据相比存在领域偏移，生成成本也很高。为解决这一问题，已有研究提出半监督方法，即利用真实超声数据对在计算机视觉图像上预训练的网络进行微调。本文中，我们采用一种半监督方法，利用位移场的一阶和二阶导数进行正则化。我们还修改了网络结构以同时估计前向和后向位移，并提出将前向和后向应变之间的一致性作为额外的正则化项，以进一步提升性能。我们使用多个实验体模和体内数据验证了该方法。我们还表明，使用实验体模数据通过我们提出的方法微调的网络，在体内数据上表现良好，类似于在体内数据上微调的网络。我们的结果还表明，所提出的方法优于当前的深度学习方法，且与计算成本高昂的基于优化的算法性能相当。
引用
@article{arxiv.2201.13340,
title = {Bi-Directional Semi-Supervised Training of Convolutional Neural Networks for Ultrasound Elastography Displacement Estimation},
author = {Ali K. Z. Tehrani and Mostafa Sharifzadeh and Emad Boctor and Hassan Rivaz},
journal= {arXiv preprint arXiv:2201.13340},
year = {2022}
}
备注
This work has been accepted in IEEE transaction on Ultrasonics, Ferroelectrics, and Frequency Control (TUFFC)