基于深度学习的从亚奈奎斯特通道数据自适应超声成像
图像与视频处理
2021-11-09 v4
摘要
医学超声图像的传统波束成形依赖于远高于接收信号实际奈奎斯特速率的采样率。这导致大量数据需要存储和处理，给超声设备和算法的开发带来硬件和软件挑战，并影响最终性能。鉴于过去几年深度学习方法在包括医学成像在内的多个领域所展现的能力，考虑其从部分数据恢复高质量超声图像的能力是自然的。在此，我们提出一种基于深度学习的从时间和空间亚采样通道数据重建 B 超图像的方法。我们首先考虑在频域中时间对齐并变换回时域的亚奈奎斯特采样数据。该数据进一步在空间上采样，从而仅获取接收信号的一个子集。部分数据用于训练一个编码器-解码器卷积神经网络，以由原始全采样数据生成的最小方差（MV）波束成形信号作为目标。我们的方法生成高质量的 B 超图像，其分辨率高于先前提出的基于压缩数据的重建方法（NESTA）以及对全采样数据的延迟求和波束成形（DAS）。在对比度噪声比方面，我们的结果与全采样数据的 MV 波束成形相当，从而实现比当今临床实践中大多使用的成像更好且更高效的成像。
引用
@article{arxiv.2008.02628,
title = {Deep-Learning Based Adaptive Ultrasound Imaging from Sub-Nyquist Channel Data},
author = {Alon Mamistvalov and Ariel Amar and Naama Kessler and Yonina C. Eldar},
journal= {arXiv preprint arXiv:2008.02628},
year = {2021}
}