Nov, 2023

从射频数据学习超分辨率超声定位显微镜

PDF
TL;DR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。
发现论文，激发创造
  • RF-ULM：射频超声定位显微镜的深度学习

    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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 多分辨率下的弱监督医疗诊断和定位

    为解决医学影像诊断过程中对多种异常区域进行定位的难题，在仅有图像层级标签的情况下，本文提出了一种新颖的多分辨率学习模型，借助 Log-Sum-Exp 池化函数和可学习的下边界适应方法构建尖锐性先前概率，生成高分辨率的显著图，并且在解读胸部 X 光片方面取得了最新的最佳性能。

    Mar, 2018

  • LOTUS：学习优化基于任务的超声图像表示

    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

  • 使用深度学习的超宽带微波出血检测和定位实验系统

    中风是致死和致残的主要原因。该研究介绍了一种利用超宽带微波成像和深度学习解决方案进行中风检测的可行实验模型。

    Oct, 2023