定量超声中的同差 K 分布参数估计：自编码器与贝叶斯神经网络方法
信号处理
2024-01-23 v1
摘要
定量超声 (QUS) 通过分析超声背散射数据来寻找与组织微观结构相关的散射体特性。背散射射频 (RF) 数据包络的统计特性可用于估计多个 QUS 参数。已有多种分布被提出用于建模包络数据。同差 K 分布 (HK 分布) 是最全面的分布之一，能够在各种散射条件（变化的散射体数密度和相干散射）下建模超声背散射包络数据。散射体聚类参数 (alpha) 和相干散射功率与漫散射功率之比 (k) 是该分布的参数，已广泛用于诊断超声中的组织表征。这两个参数（我们称之为 HK 参数）的估计通常使用优化算法完成，其中包络逐点信噪比 (SNR)、偏度、峰度和基于对数的矩等统计特征被用作算法的输入。优化方法旨在最小化这些特征与其来自 HK 模型的理论值之间的差异。我们提出，这些统计特征的真实值是一个超平面，仅覆盖特征空间的一小部分。在本文中，我们遵循两种方法来减少样本特征误差的影响。基于这一假设，我们提出了一种基于去噪自编码器的模型投影神经网络，将噪声特征投影到该空间中。我们还研究了深度估计器是否能学习噪声分布。我们利用仿真、实验体模以及肝脂肪变性体内动物模型的数据，将所提方法与传统方法进行了比较。演示代码可在 http://code.sonography.ai 获取。
引用
@article{arxiv.2401.11006,
title = {Homodyned K-Distribution Parameter Estimation in Quantitative Ultrasound: Autoencoder and Bayesian Neural Network Approaches},
author = {Ali K. Z. Tehrani and Guy Cloutier and An Tang and Ivan M. Rosado-Mendez and Hassan Rivaz},
journal= {arXiv preprint arXiv:2401.11006},
year = {2024}
}