Nov, 2018

深度展开的鲁棒主成分分析及其在超声杂波抑制中的应用

PDF
TL;DR本文提出了一种使用机器学习中的鲁棒主成分分析和深度展开技术的方法，用于去除超声图像中的杂波，并优化超声图像对于血管的可视化效果。
contrast enhanced ultrasoundmicrobubble signalrobust pcadeep unfoldingclutter filtering
发现论文，激发创造
  • 稀疏张量神经网络修剪用于 3D 超声定位显微镜的深度学习

    用稀疏张量神经网络可以减少超声局部显微镜在三维成像中的存储需求，并在高浓度情况下明显优于传统的 ULM 方法。

    Feb, 2024

  • 时空超声定位显微镜的深度学习框架

    通过深度学习中的三维卷积神经网络，从具有高泡沫浓度的超声数据中恢复密集的血管网络。

    Oct, 2023

  • X 光冠状动脉造影超分辨率血管提取的鲁棒 PCA 展开网络

    为了解决 X-ray 冠状动脉造影（XCA）图像中的血管稀疏建模效率低下、噪音和动态背景伪影以及高计算成本等问题，提出了一种新的基于稀疏特征选择的鲁棒 PCA 展开网络，用于超分辨率 XCA 血管成像，并嵌入到一种基于池化层和卷积长短时记忆网络的分块时空超分辨率框架中，该网络不仅可以在网络训练期间逐步修剪复杂的血管伪像和噪音背景，还可以迭代学习和选择 XCA 成像血管中流动对比剂的高级时空语义信息。实验结果表明，该方法在血管网络及其远端血管的成像中明显优于现有方法，可以恢复异质性血管的强度和几何剖面。（translated simplified Chinese summary）

    Apr, 2022

  • 使用扩散概率模型进行深超声波降噪

    本研究提出了一种基于 DDPM 的无监督去噪方法，可改善超声图像的质量并保留散斑纹理特征，在泛化对比噪声比和噪声峰值信噪比方面优于以往方法。

    Jun, 2023

  • 一种深度展开的时空 RPCA 网络用于 L+S 分解

    本文提出了一种新的深度展开的时空鲁棒主成分分析神经网络方法 (DUST-RPCA)，该方法通过显式利用低秩成分中的时空连续性，在移动 MNIST 数据集上比现有的深度展开鲁棒主成分分析神经网络达到更好的精度。

    Nov, 2022

  • 深度一致性学习：医学超声波中用于高质量单平面波成像的无监督深度波束成形器

    提出了一种新的无监督学习方法，即基于深度相干学习 (DCL) 的深度学习波束形成 (DL-DCL)，用于高质量的单次脉冲波束成像。实验证明，该方法在空间分辨率上与 DMAS 相当，在对比度分辨率上优于所有对比方法，在临床设置中表现出巨大潜力。

    Nov, 2023

  • 基于残差过完备自编码块展开鲁棒 PCA 的汽车雷达干扰抑制

    本研究提出了一种基于深度学习和展开式鲁棒主成分分析技术的自适应雷达干扰抑制方法，通过在递归式展开式鲁棒主成分分析技术中引入残余过完备自编码器块，实现了在干扰存在的情况下同时准确估计雷达目标的幅度和相位的效果。

    Oct, 2020

  • 基于学习的超分辨率框架在美国信号中的应用

    提出了一种基于深度学习的超分辨率超声图像和视频增强方法，通过训练模型和大量医学图像数据进行定制化的超分辨率处理，实现了对不同解剖区域的低分辨率超声图像和视频的有效提高，并且兼顾了训练网络的运算速度和硬件资源消耗。

    Apr, 2023

  • 具信息不确定性的超声图像的扩散重建

    借鉴扩散模型的进展，我们提出了一种混合方法以改进超声成像质量，通过适应性去噪扩散恢复模型结合超声物理学和基于学习的方法，并在模拟、离体和体内数据上进行全面的实验，证明其较单一面波输入和现有方法相比实现了高质量的图像重建。

    Oct, 2023

  • 使用 3D 卷积自编码器对胸外心脏超声图像进行深度时空杂乱滤波

    本研究提出了一个深度卷积自编码网络，用于过滤超声心动图（TTE）图像序列中的混响伪影。该网络利用三维卷积层来抑制整个心动周期中的混杂模式，通过注意机制聚焦于混杂区域以及通过残差学习将图像帧的细节结构保留。使用多样的伪影模式模拟来训练深度网络，并使用合成的没有伪影的超实在 TTE 序列作为基准评估了过滤网络的性能。过滤后的序列在进一步处理中也显示出了良好的适用性，并且可以提高从 TTE 序列中计算的临床指标的精度。

    Jan, 2024