用于超声声速估计的隐式神经表示

准确估计声速对于超声图像重建技术和组织表征具有重要意义。目前已提出多种计算声速的方法，涵盖从受断层成像启发的算法（如CUTE）到卷积网络，以及近期基于可微分波束形成的物理信息优化框架。在本工作中，我们将隐式神经表示用于超声中的声速估计。INR是一种神经网络架构，通过网络权重编码连续函数（如图像或物理量）。隐式网络可以克服当前声速估计技术的局限性，这些局限性主要源于使用了不可适应且过于简化的组织物理模型。此外，用于声速估计的卷积网络通常使用模拟数据进行训练，由于分布外和数据偏移问题，在应用于真实组织时常常失败。相比之下，隐式网络不需要庞大的训练数据集，因为每个隐式网络都是针对单个数据案例进行优化的。这种适应性使其适用于处理从不同组织以及在不同成像协议下采集的超声数据。我们使用从包含四个圆柱形包涵体的组织仿体中采集的数据，评估了所提出的基于INR的声速估计方法，其中声速值范围为1480 m/s至1600 m/s，包涵体浸没在声速值为1540 m/s的材料中。实验中，所提出的方法取得了优异的性能，清楚地证明了隐式网络在定量超声应用中的有效性。