面向增强超声成像的深度任务驱动波束形成与通道数据增强
图像与视频处理
2025-02-04 v1
摘要
本文介绍了一种基于深度学习（DL）的任务驱动超声（US）波束形成框架，旨在通过将特定临床任务直接整合到波束形成过程中来改善临床结果。任务驱动波束形成不仅针对图像质量，还针对特定临床任务（如病灶分类）的性能来优化波束形成器。所提出的框架探索了两种方法：（1）联合波束形成器与分类器（JBC），对波束形成器生成的超声图像进行分类，以提供反馈来改善图像质量；（2）通道数据分类器波束形成器（CDCB），直接在波束形成器瓶颈层的通道数据表示中融入分类。此外，我们引入了通道数据增强，以应对由噪声和有限的体内数据带来的挑战。数值评估表明，使用通道数据增强进行训练能显著提高图像质量。所提出的方法与传统的延时求和（DAS）和最小方差（MV）波束形成技术进行了评估比较，在图像对比度和临床相关性方面均表现出优越性能。在所有方法中，CDCB 方法取得了最佳结果，在图像质量和临床相关性方面均优于其他方法。这些方法在改善超声波的临床相关性和图像质量方面展现出巨大潜力。
引用
@article{arxiv.2502.00524,
title = {Deep Task-Based Beamforming and Channel Data Augmentations for Enhanced Ultrasound Imaging},
author = {Ariel Amar and Ahuva Grubstein and Eli Atar and Keren Peri-Hanania and Nimrod Glazer and Ronnie Rosen and Shlomi Savariego and Yonina C. Eldar},
journal= {arXiv preprint arXiv:2502.00524},
year = {2025}
}