利用深度学习提升心脏彩色多普勒帧率
图像与视频处理
2024-08-22 v2
摘要
彩色多普勒超声心动图能够可视化心脏内的血流。然而，有限的帧率阻碍了心脏周期中血流速度的定量评估，从而影响了心室充盈的全面分析。同时，深度学习在超声心动图数据的后处理中显示出有希望的结果，适用于各种应用。本文探索使用深度学习模型从减少数量的滤波I/Q信号中进行心内多普勒速度估计。我们通过模拟基于患者的心脏彩色多普勒采集，使用监督学习方法，并提出了数据增强策略以扩大训练数据集。我们实现了基于卷积神经网络的架构。特别地，我们重点比较了U-Net模型和最近的ConvNeXt模型，同时评估了实值与复值表示。我们发现两种模型都优于最先进的自相关方法，有效减轻了混叠和噪声。我们没有观察到使用实数据和复数据之间的显著差异。最后，我们在体外和体内实验中验证了模型。所有模型都产生了与基线定量可比的结果，并且对噪声更鲁棒。ConvNeXt成为唯一在体内混叠样本上获得高质量结果的模型。这些结果表明了监督深度学习方法在从减少的采集次数中进行多普勒速度估计的兴趣。
引用
@article{arxiv.2404.00067,
title = {Boosting Cardiac Color Doppler Frame Rates with Deep Learning},
author = {Julia Puig and Denis Friboulet and Hang Jung Ling and François Varray and Jonathan Porée and Jean Provost and Damien Garcia and Fabien Millioz},
journal= {arXiv preprint arXiv:2404.00067},
year = {2024}
}