通过将未经处理的射频数据输入到超分辨率网络中,本文提出了绕过 DAS 波束成形及其限制的方法,以提高超声定位显微镜(ULM)的分辨率性能。通过对公开数据集的评估,我们的结果表明,排除 DAS 波束成形具有优化 ULM 分辨率性能的巨大潜力。
Nov, 2023
采用超分辨率深度神经网络和几何点变换的射频超声成像技术在定位过程中发现有巨大潜力,可以有效地提高精度和复杂性,弥合了合成和真实数据集之间的领域差距。
Oct, 2023
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
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。
通过使用延时软件以及生成对抗网络(GANs),本研究旨在通过从噪音超声图像中提供类似乳腺 X 线摄影图像质量的实时图像,以解决超声图像在空间分辨率和噪音方面的限制。
Aug, 2023
这篇研究论文介绍了一种新型的深度卷积神经网络 LUENN,可以有效提高单分子定位显微镜技术的亚细胞结构可视化的时间分辨率,通过准确的位置不确定性估计器,成功应用于密度高达 31 个 / 平方微米的多个发射器的图像定位。
May, 2023
通过模拟介质的计算,该论文提出一种新的方法,利用 CT 扫描的数据生成物理模拟的超声图像,通过端到端的训练实现超声图像合成和自动分割。方法在主动脉和血管分割任务上有很好的定量结果,并在其他器官上进行了优化图像表示的定性结果评估。
Jul, 2023
本文提出了一种利用 Doppler 效应的血管再识别模块的 DopUS-Net,用于血管病变的自动分割和血管筛选程序的实时监测,实验结果表明,这种方法可以显著提高分割结果的准确性和鲁棒性。
本文旨在将 B 模式和 CEUS 模式超声视频相结合,提出一种新的多模式超声视频融合网络,用于肾肿瘤的检测和分类,并在多中心数据集上进行了实验验证。实验结果表明,该方法优于竞争方法并提高了肿瘤诊断的准确率。
本研究提出了一种基于仿真和风格转移的数据增强方法,该方法改善了缺乏大量样本的情况下,对激光超声成像测试中存在缺陷的检测的效果。