Jun, 2023

基于学习的线性阵列光声/超声成像声速重建和像差校正

HTML
PDF
TL;DR研究开发了一个基于深度学习的框架，利用双模式光声/超声成像系统共享的临床超声探头对声速进行了重建和异常修正，以供准确的光声成像重建，在仿真的 US 数据上经过训练的网络也表现出良好的泛化能力。
发现论文，激发创造
  • 超声速度重建的深度学习：训练数据多样性对稳定性和鲁棒性的影响

    本文研究了使用多种几何和自然的模拟幻影结构对深度神经网络训练数据多样性的影响，并证明在使用同时包含几何和自然组织模型的数据集来训练网络时，可以提高模型在模拟和实测数据中预测声速的稳定性。

    Feb, 2022

  • 使用深度学习探究乳腺超声中脉冲回波声速估计

    本研究提出了使用深度学习方法从超声信号中估算声速的方法，通过在仿真数据集上训练全卷积神经网络，能够精确地估算出与文献报道一致的声速值，从而提高脉冲回波超声成像的精度和可靠性。

    Feb, 2023

  • 快速有限视角光声成像的模型校正学习原始-对偶模型

    该研究提出了嵌入模型修正的学习原始-对偶框架的方法，为光-acoustic成像的快速迭代重建提供了可行的模型，实现了实时的可扩展，具有较快推理时间和优异的重建质量。

    Apr, 2023

  • 超声图像重建的快速采样生成模型

    利用新型采样框架和先进的扩散模型，我们提出了一种从射频数据中重建图像的方法，以加速高质量图像的生成过程。通过实验评估，我们的方法在单平面波条件下胜过了具有75个平面波空间相干合成的传统延迟和求和(DAS)技术。

    Dec, 2023

  • 基于评分的扩散模型在光声断层成像重建中的应用

    使用基于得分的扩散模型解决有限PAT测量下的图像重建问题，通过学习模拟血管结构的表达先验，保持对变化的传感器稀疏条件的鲁棒性。

    Mar, 2024

  • DensePANet: 提高的生成对抗网络用于来自稀疏数据的光声层析成像重建

    通过使用改良版的UNet生成器（称为FD-UNet++），我们提出了一种名为DensePANet的端到端方法，以解决从稀疏数据中重建PAT图像的问题。在各种体内和模拟数据集上评估的数量和质量结果显示了我们模型相对于其他普遍的深度学习技术的更好性能。

    Apr, 2024

  • 深度学习在光声成像中的联合分割与图像重建及误差预测

    利用深度学习提升光声图像重建，通过混合贝叶斯卷积神经网络(Hybrid-BCNN)联合预测光声图像和分割带有误差(不确定性)预测，通过稀疏的光声图像分段实现在带有光声信号的区域中最小化损失函数以获得更好的预测结果，为光声图像选择自信度超过特定阈值的预测结果。

    Jul, 2024

  • 高效深度模型基础的光声图像重建

    本研究针对多光谱光声断层扫描在实时图像质量和成本上的需求缺口，提出了一种轻量级的深度学习架构EfficientDeepMB。该方法能在中型图形处理器上以高帧率（59Hz）重建高清光声图像，其性能比传统DeepMB快三到五倍，同时保持了相近的重建精度，显示出其在实际临床应用中的巨大潜力。

    Aug, 2024

  • 自适应光声计算机断层成像的神经场

    本研究解决了光声计算机断层成像（PACT）中，由于组织中声速不均匀引起的波前失真问题，造成图像质量下降。提出了一种新颖的NF-APACT框架，通过利用神经场自我监督地估计声速分布，实现快速、准确的多通道去卷积，显著提高了图像重建的速度和精度。实验结果表明，该方法在新型数值幻影和实实验采集的幻影及体内数据上均表现出色。

    Sep, 2024

  • 超声中声速估计的隐式神经表征

    本研究解决了超声图像重建和组织特征化中声速估计的不准确性问题。通过利用隐式神经表征（INRs），能够适应不同的数据案例而无需大量训练数据，从而克服现有估计技术的局限性。实验结果显示，该方法展现了隐式网络在超声定量应用中的有效性。

    Sep, 2024