UNICORN: 基于得分匹配和适应性的超声纳卡加米成像
通过在线特征解耦框架OnUVS,我们成功合成了具有高保真度的超声视频,通过将解剖学信息引入关键点学习、实现内容和纹理特征解耦、采用多特征鉴别器提取全面的视觉提示以及限制关键点的运动轨迹,从而提升了合成视频的流畅性。
Aug, 2023
通过引入CCycleGAN算法,本研究成功地改善了超声图像的空间分辨率和峰值信噪比,保留了结构一致性和背散射模式,并获得了更高质量的心壁运动估计。
Sep, 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
本研究针对传统三维超声成像方法在分辨率、存储效率和上下文连接性方面的局限,提出了一种新的UlRe-NeRF模型。该模型通过结合隐式神经网络和显式超声体积渲染,利用反射方向参数化和谐波编码,显著提高了高保真超声图像重建的真实感和准确性,特别是在处理复杂介质结构方面。
Aug, 2024
本研究解决了高帧率超声成像中高噪声的问题,影响了其广泛应用。提出了一种基于去噪扩散概率模型(DDPM)的方法,通过将低角度和平面波的高角度合成视为噪声,显著提升了图像质量。研究结果表明,该方法在模拟数据、幻影和活体图像中均表现出优越的去噪效果,具有重要的临床应用潜力。
Aug, 2024
本研究针对现有超声影像数据中的伪影问题,提出了一种新的方法NeRF-US,通过结合3D几何引导和超声特定渲染,显著改善了3D重建和新视角合成的结果。实验结果表明,该方法在“野外超声”数据集上实现了准确且无伪影的临床可行重建,填补了当前技术的空白。
Aug, 2024
本研究针对超声成像中普遍存在的噪声与伪影问题,提出了一种新颖的方法,将自适应波束形成与去噪扩散模型相结合,以提升图像质量。实验结果表明,该方法在单平面波采集的图像重建上表现出了显著的优势,可能在医学成像领域产生重要影响。
Sep, 2024