深度展开鲁棒 PCA 及其在超声杂波抑制中的应用
机器学习
2019-01-23 v1 信号处理
机器学习
摘要
超声造影是一种无辐射成像方式，利用包裹的气体微泡来改善组织深部血管床的可视化。近来它借助超分辨技术实现了前所未有的亚波长空间分辨率成像。超分辨超声中典型的预处理步骤是将微泡信号与杂波组织信号分离。该步骤对最终图像质量有关键影响。在此，我们提出一种基于鲁棒主成分分析（PCA）和深度学习的杂波去除新方法。我们首先将采集的超声造影信号建模为低秩分量与稀疏分量的组合。该模型用于鲁棒 PCA，此前已在超声多普勒处理和动态磁共振成像背景下被提出。接着我们说明，基于该模型的迭代算法相较于常用方法改善了微泡信号与组织信号的分离。接下来，我们应用深度展开概念，提出一种针对我们的杂波滤波问题定制的深度网络架构，相较于其迭代对应方法具有更快的收敛速度和更高精度。我们在仿真和活体大鼠脑扫描上将所提深度网络的性能与常用的深度网络架构及快速迭代收缩算法进行比较，表明我们的架构具有更好的图像质量和对比度。
引用
@article{arxiv.1811.08252,
title = {Deep Unfolded Robust PCA with Application to Clutter Suppression in Ultrasound},
author = {Oren Solomon and Regev Cohen and Yi Zhang and Yi Yang and He Qiong and Jianwen Luo and Ruud J. G. van Sloun and Yonina C. Eldar},
journal= {arXiv preprint arXiv:1811.08252},
year = {2019}
}