可切换深度波束形成器用于高质量实时被动声学成像
人工智能
2024-12-04 v1 机器学习
声音
音频与语音处理
摘要
被动声学成像（Passive acoustic mapping, PAM）是监测超声治疗中声学气泡活动的有前景工具。数据自适应波束形成器相对于时间暴露声学（TEA）算法具有更好的图像质量。然而，数据自适应波束形成器的计算成本相当昂贵。本文开发了基于生成对抗网络的深度波束形成器，该模型可以在不同换能器阵列之间切换，并以较低计算成本直接从射频超声信号重构高质量PAM图像。该深度波束形成器在由模拟和实验气泡信号组成的数据集上进行训练，该数据集由不同（线性和相位）阵列测量的单个和多个微泡云，覆盖1-15 MHz频率。我们使用模拟和实验测试数据集将深度波束形成器与TEA及三种不同数据自适应波束形成器进行比较。与TEA相比，深度波束形成器在数据中对不同阵列平均减少了18.9%-65.0%的能量扩散面积，并提升了9.3-22.9 dB的平均图像信噪比。相对于数据自适应波束形成器，深度波束形成器将计算成本降低了三个数量级，实现了10.5毫秒的图像重构速度，而图像质量与数据自适应波束形成器相当。这些结果表明了深度波束形成器在超声治疗中监测微泡气泡活动具有高分辨率潜力。
引用
@article{arxiv.2412.02327,
title = {Switchable deep beamformer for high-quality and real-time passive acoustic mapping},
author = {Yi Zeng and Jinwei Li and Hui Zhu and Shukuan Lu and Jianfeng Li and Xiran Cai},
journal= {arXiv preprint arXiv:2412.02327},
year = {2024}
}