超声波束成形的域自适应

超声 B 型图像由换能器阵列中各阵元获取的数据经称为波束成形的过程生成。波束成形的目标是增强来自指定空间位置的信号，同时抑制来自其他所有位置的信号。在临床系统中，波束成形由延迟求和（DAS）算法实现。DAS 高效，但在高噪声水平患者中失效，因此已提出多种自适应波束成形器。近年来，针对该任务已开发深度学习方法。在深度学习方法下，波束成形通常被构建为回归问题，其中干净的真实数据已知且通常为仿真数据。然而，对于体内数据，收集真实信息极其困难，且因仿真与体内数据间存在域偏移，在仿真数据上训练的深度网络应用于体内数据时表现不佳。本工作中，我们展示如何通过利用仿真数据与无标签体内数据、借助一种新颖的域自适应方案来学习深度网络波束成形器，从而纠正域偏移。我们场景中的一个挑战是，噪声输入与干净输出均存在域偏移。我们通过扩展循环一致生成对抗网络来解决该挑战，利用合成仿真与真实体内域之间的映射，以确保所学波束成形器捕获噪声与干净体内数据的分布。将我们的方法应用于仿真无回声囊肿与体内肝脏数据时，相较于现有波束成形技术，我们获得了稳定的体内图像质量提升。