Nov, 2023

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

PDF
TL;DR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。
plane wave imagingdeep coherence learningdl beamformerunsupervised learningclinical settings
发现论文，激发创造
  • 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

  • 深度学习和图像超分辨率引导的毫米波网络束及功率分配

    本文提出了基于深度学习和超分辨技术的低开销光束和功率分配方法，以应对多用户毫米波网络中用户和车辆的移动、不必要的光束重新选择和定位等难题，并通过理论和数值分析结果证明了该方法的有效性。

    May, 2023

  • 单 PW 在美国成像中采用一种捷径生成复合 PW

    通过采用先进的扩散模型，我们在超声图像重建方面展示出了有效性，从而实现了采样步骤的大幅削减，所得结果与传统的扩散模型相比具有可比性。

    Dec, 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

  • SUPER Learning: 一种用于低剂量 CT 图像重建的监督 / 无监督框架

    本文介绍了一个新的低剂量 X 射线 CT 成像重建方法 SUPER，该方法结合了深度学习的监督学习方法和基于 PWLS-ULTRA 的非监督转换学习方法，取得了比传统的监督、非监督方法更好的重建效果，并在迭代重建模块中使用更少的迭代次数。

    Oct, 2019

  • 用于通用 MISO 波束成形的深度学习方法

    本文研究深度学习在下行多用户多天线系统中优化波束成形向量的方法，结合总功率预算作为副信息，使用深度神经网络优化较传统方法更为高效。

    Jul, 2020

  • 毫米波通信系统深度学习辅助校准波束训练

    本篇论文提出了一种基于宽波束训练的窄波束校准方法，通过深度学习预测最佳的窄波束方向，具有很高的波束成形增益和更小的波束训练开销。

    Jan, 2021

  • 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

    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。

    Nov, 2018

  • USCL：通过视频对比表示学习预训练深度超声图像诊断模型

    通过使用 US-4 数据集进行直接预训练，提出了一种名为 USCL 的 US 半监督对比学习方法，以学习来自 US-4 的功能强大的特征，并在多项下游任务中取得超越 ImageNet 预训练和其他 SOTA 预训练方法的结果。

    Nov, 2020

  • 利用数据与物理学技术进行深度学习相位恢复

    相位恢复是从光强度测量中计算光波相位的基础，近年来，深度学习已被证明在解决相位恢复问题方面非常有效，本文综合比较了数据驱动和物理驱动的两种深度学习相位恢复策略，并提出了结合数据集和物理的混合策略以平衡高频和低频信息。

    Apr, 2024