面向平面波成像中基于卷积神经网络快速区域自适应超声波束成形器
信号处理
2021-08-18 v2
摘要
用于改善诊断B超(B-mode)超声(US)图像质量的自动学习算法近年来日益流行。本工作中，训练了一种新颖的卷积神经网络(CNN)，使用平面波发射的飞行时间校正体内接收数据，以生成相应高质量的最小方差无失真响应(MVDR)波束成形图像。本工作还报道了使用来自超声平面波成像挑战赛(PICMUS)的数据集，对全连接神经网络(FCNN)、所提CNN架构、MVDR与延迟求和(DAS)在定性与定量度量上的综合性能比较。该CNN架构可利用空间信息，并在波束成形过程中更具区域适应性。这从基线FCNN方法与常规MVDR波束成形器在分辨率和对比度上的改进中显而易见，仅使用零角度发射即在对比噪声比(CNR)上较基线提升6 dB。所观察到的产生相似图像度量所需角度数的减少，将有利于提供更高帧率的可能性。
引用
@article{arxiv.2106.07006,
title = {Towards Fast Region Adaptive Ultrasound Beamformer for Plane Wave Imaging Using Convolutional Neural Networks},
author = {Roshan P Mathews and Mahesh Raveendranatha Panicker},
journal= {arXiv preprint arXiv:2106.07006},
year = {2021}
}
备注
4 pages, 4 figures, accepted in IEEE EMBC 2021