用于单平面波成像的端到端深度学习超声波束形成的实验验证

超快超声成像使用一个或几个不同波束转向角度的平面波而非多个聚焦波来照射介质。它可以实现更高的帧率，但通常以降低图像质量为代价。深度学习方法已被提出以减轻这一缺点，特别是对于单平面波成像。主要使用图像到图像的后处理网络或完全学习的数据到图像神经网络。两者都纯粹以数据驱动的方式构建映射，需要表达力强的网络和大量训练数据才能表现良好。相比之下，我们考虑将传统图像形成技术作为可微分层融入网络架构的数据到图像网络。这使得可以使用少量训练数据进行端到端训练。在本工作中，使用f-k偏移作为图像形成层，通过实验数据进行了深入评估。我们使用逼真的乳房模拟体模和超声校准体模采集了专为基准测试数据驱动平面波成像方法设计的数据集。评估考虑了全局和局部图像相似性度量以及对比度、分辨率和病变可检测性分析。结果表明，所提出的网络架构能够在所有评估指标上改善单平面波图像的图像质量。此外，这些图像质量改进可以通过令人惊讶的少量训练数据实现。