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
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
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
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
提出了一种智能机器人超声检查师,能够从专家的经验中自主学习,理解超声检查的语言,通过估计互信息和开发高斯分布滤波器来提高模型的泛化能力,并在血管和动物器官模型中进行了演示实验,证明了该方法的稳健性。
Jul, 2023
通过结合超声线性直接模型和基于生成的去噪扩散模型的学习先验,提出了一种混合重建方法,可以实现高质量图像重建并有效地估计多普勒变化的声回声强度。
Mar, 2024
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
本文研究基于 CNN 的雷达信号去噪和抗干扰的量化技术,比较了不同网络结构和大小的量化潜力,并分析了由于雷达频率带干扰而导致的环境感知问题。
Nov, 2020
本文提出了一种新颖的框架,将物理和机器学习方法相结合,用于分析声学信号。该框架包括三种方法:用贝叶斯推断法推断谱声学特性,将神经网络配备前向和反向物理损失的神经物理模型,以及用作基准的非线性最小二乘法。推断的传播系数导致室内冲激响应(RIR)量,可用于带有不确定性的重定位。这一框架的简单和高效在模拟数据上得到了实证验证。
May, 2023
通过利用神经网络的能力,本研究提出了一种基于 LiDAR 数据分析的参数估计的新方法,成功地学习了反演模型,并能够预测诸如深度、衰减系数和底反射率等参数。通过对真实 LiDAR 数据的测试,验证了模型的性能。未来更多的数据可用性将能够提高这类模型的准确性和可靠性。