基于深度卷积神经网络的发散波成像重建
图像与视频处理
2020-03-25 v3 信号处理
摘要
近年来，发散波（DW）超声成像因其高时间分辨率已成为一种极具前景的心血管成像方法。然而，若发射次数有限，发散波发射相比经典聚焦方案图像质量较低。一种常规的重建方法是对一系列超声信号进行相干求和，但牺牲了帧率。为应对这一局限，我们提出了一种卷积神经网络（CNN）架构，利用少量发射次数实现发散波超声图像的高质量重建。鉴于发散波图像沿深度方向空间变化的性质，我们采用了由多尺度卷积核拼接而成的inception模型。引入inception模块旨在以多尺度感受野捕获不同图像特征。通过体外与体内样本训练网络，学习了低质量图像与相应高质量复合重建之间的映射。所提方法的性能在对比度噪声比和横向分辨率方面进行了评估，并与标准复合成像方法和常规CNN方法比较。结果表明，我们的方法仅用三次发散波即可生成高质量图像，其图像质量等同于31次发散波标准复合所得，且在复杂度、推理时间和图像质量上优于更常规的CNN架构。
引用
@article{arxiv.1911.03416,
title = {Reconstruction for Diverging-Wave Imaging Using Deep Convolutional Neural Networks},
author = {Jingfeng Lu and Fabien Millioz and Damien Garcia and Sebastien Salles and Wanyu Liu and Denis Friboulet},
journal= {arXiv preprint arXiv:1911.03416},
year = {2020}
}