MimickNet：在真实黑盒约束下匹配临床后处理
图像与视频处理
2024-10-30 v1 计算机视觉与模式识别
机器学习
摘要
图像后处理用于临床级超声扫描仪以改善图像质量(如降低散斑噪声并增强对比度)。这些后处理技术因厂商而异且通常保密，这对希望匹配当前临床级流程的研究人员构成挑战。我们引入深度学习框架MimickNet，将原始常规延迟求和(DAS)波束转换为临床级扫描仪上近似的后处理图像。训练MimickNet仅需来自目标扫描仪的后处理图像样本，无需与原始DAS数据显式配对。该灵活性使其能在无法访问预处理数据的情况下，假设近似任意厂商的后处理。MimickNet在300个电影循环测试集上生成图像的平均结构相似性指数测度(SSIM)为0.9300.0892，并泛化至训练-测试分布外的心脏电影循环，达到SSIM为0.9670.002。我们还通过在灰盒约束(即预处理与后处理图像均可用)下训练评估MimickNet性能，探索理论可达SSIM。据我们所知，这是在前后后处理数据均不可用的真实黑盒约束下，首个建立紧密近似当前临床级超声后处理的深度学习模型的工作。MimickNet作为临床后处理基线，供未来超声图像形成研究比较。为此，我们已开源MimickNet软件。
引用
@article{arxiv.1908.05782,
title = {MimickNet, Matching Clinical Post-Processing Under Realistic Black-Box Constraints},
author = {Ouwen Huang and Will Long and Nick Bottenus and Gregg E. Trahey and Sina Farsiu and Mark L. Palmeri},
journal= {arXiv preprint arXiv:1908.05782},
year = {2024}
}
备注
This work has been submitted to the IEEE Transactions on Medical Imaging on July 1st, 2019 for possible publication