Oct, 2023

RF-ULM：射频超声定位显微镜的深度学习

PDF
TL;DR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。
发现论文，激发创造
  • 从射频数据学习超分辨率超声定位显微镜

    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

  • 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

  • 几何超声定位显微镜

    该研究提出了一种新颖的基于几何框架的微泡定位方法，该方法利用时差到达信息，克服了现有波束成形的限制，并在可用传感器数据的一部分情况下，比现有基准方法更准确，更可靠。

    Jun, 2023

  • 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

  • US-SFNet: 一种基于空间频率领域的多分支网络用于超声图像中颈部淋巴结病变的诊断

    通过使用深度学习模型，通过超声成像来准确诊断颈淋巴结病变。我们提出了 Conv-FFT Block 与 US-SFNet 两者相结合的方法，该方法不仅可以从空间域中识别超声图像的变异，还可以在频率域中捕捉不同病变的显微结构改变。通过与其他 12 种经典模型进行对比，结果表明 US-SFNet 在交叉验证中获得了 92.89％的准确度、90.46％的精确度、89.95％的敏感度和 97.49％的特异度。

    Aug, 2023

  • 利用神经网络定位超密度发射器

    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

  • 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

  • 基于端到端深度学习的超声波波束成形的实验验证

    利用深度学习和数据到图像网络来改善超快速超声成像的图像质量，结果表明即使使用很少的训练数据，该网络架构也能在所有评估指标上提高单平面波图像的质量。

    Apr, 2024

  • 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

  • 使用无线电图实现实时户外定位：深度学习方法

    该论文提出了一种基于收到的信号强度（RSS）的基站的卷积、端到端训练的神经网络（NN）LocUNet，可在城市环境中实现用户的定位，并展示了其在现实城市环境中优于现有竞争方法的性能。

    Jun, 2021