基于深度学习的超声多线发射高质量成像
计算机视觉与模式识别
2018-08-24 v1
摘要
帧率是心脏超声成像与三维超声成像中的关键考量。医学超声文献中已提出若干旨在加速图像采集的方法。本文考虑其中一种称为多线发射（MLT）的方法，即同时发射若干均匀间隔的聚焦波束。虽然 MLT 减少了采集时间，却以波束间相互作用（串扰伪影）导致的严重对比度损失为代价。本文引入一种数据驱动方法来减少 MLT 中产生的伪影。为此，我们提出训练一个端到端卷积神经网络，该网络由校正层与随后的恒定变迹层组成。网络在通过 MLT 获得的原始数据对及其对应的单线发射（SLT）数据上进行训练。实验评估表明，与传统基于变迹的方法不同，该方法在保持分辨率的同时，在视觉图像质量以及对比度比和对比度噪声比等客观指标上均有显著提升。我们证明所提方法能在真实与仿体数据上很好地泛化至不同患者与解剖结构。
引用
@article{arxiv.1808.07819,
title = {High quality ultrasonic multi-line transmission through deep learning},
author = {Sanketh Vedula and Ortal Senouf and Grigoriy Zurakhov and Alex M. Bronstein and Michael Zibulevsky and Oleg Michailovich and Dan Adam and Diana Gaitini},
journal= {arXiv preprint arXiv:1808.07819},
year = {2018}
}
备注
To appear in Proceedings of MLMIR workshop, MICCAI 2018