散斑统计参数图像的深度估计

定量超声（QUS）提供关于组织性质的重要信息。QUS 参数图像可通过将包络数据划分为小的重叠块并计算不同的散斑统计（如 Nakagami 和同态 K 分布（HK 分布）的参数）来形成。计算出的 QUS 参数图像可能有误，因为块内仅有少量独立样本可用。另一个挑战是，假设块内包络样本来自同一分布，鉴于组织通常不均匀，该假设常被违背。在本文中，我们提出一种基于卷积神经网络（CNN）的方法来估计 QUS 参数图像而无需分块。我们构建了一个从 HK 分布采样的大型数据集，具有随机形状和 QUS 参数值的区域。然后我们使用一个知名网络以多任务学习的方式估计 QUS 参数。我们的结果证实，所提方法能够减少误差并改善 QUS 参数图像中的边界定义。