超声成像阵列编码优化
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
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
通过使用神经网络训练深核(DK),该文献采用贝叶斯优化(BO)优化机器人探针的高维控制,从而提高超声图像质量的样本效率,同时使用深度卷积神经网络提供实时反馈,验证了该框架在三个尿道壁模型中获得了50%以上的样本效率增长,并证明了对特定训练数据集的独立性,表明对患者的适应性。
Oct, 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
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
本研究解决了超声成像系统因衍射和有限孔径导致的分辨率限制问题。我们提出了一种基于物理的去卷积方法,利用模型化的点扩散函数(PSF),直接在常用的B模式图像上进行处理,从而有效提升成像清晰度。结果表明,与传统技术相比,该方法在多项指标(如PSNR和SSIM)上都有明显改善,并利用超声虚拟模型和体内实验验证了其应用潜力。
Aug, 2024