基于端到端深度学习的超声波波束成形的实验验证
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
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。
Nov, 2023
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
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
本文提出了一种基于自监督三维 CNN 的超声相位象差稳健成像方法，通过建模声速变化为随机变量，该方法在 extit {in vivo} 扫描中显著减少了象差伪影并提高了深部扫描的视觉质量。
Feb, 2022
本文提出了一种基于深度学习技术的统一混合波束成形框架，通过将关键传输模块建模为端到端神经网络，实现了在时分复用（TDD）和频分复用（FDD）系统中具有隐式信道状态信息（CSI）的宽带多用户混合波束成形，避免了明确的信道重建，并将传统方法中的不同模块分别处理的流程，改为同时优化所有模块，从而减少了信道估计所需的导频和反馈开销，缓解了量化约束引起的性能损失，并大大提高了系统的速率和可靠性。
Jan, 2022
利用深度学习架构来加速超声成像中的计算密集型非实时波束形成算法近来愈加受到关注。然而，现有最先进的深度学习技术的复杂性对于资源有限的边缘设备的部署提出了挑战。本文提出了一种基于视觉转换器的微型波束形成器 (Tiny-VBF)，它使用通过单角平面波入射获得的原始射频通道数据。我们的 Tiny-VBF 的输出提供了快速的包络检测，仅需要非常低的帧率，即对于 368 x 128 的帧大小，每帧仅需要 0.34 GOPs / 帧，相比于最先进的深度学习模型。与 Tiny-CNN 在体外数据集上相比，它还显示出了 8% 的对比度增加、5% 和 33% 的轴向和横向分辨率的增益。另外，当与传统的延迟和求和 (DAS) 波束形成器进行比较时，我们的模型显示出了 4.2% 的对比度增加和 4% 和 20% 的轴向和横向分辨率的增益。我们还提出了一种加速器架构，并使用混合量化方案在 Zynq UltraScale+ MPSoC ZCU104 FPGA 上实现了我们的 Tiny-VBF 模型，其资源消耗比浮点实现少 50%，同时保持了图像质量。
Nov, 2023
使用基于无监督深度学习的近场波束赋形方法，提出了一种解决极大规模阵列 (ELAA) 通信系统中波束训练开销问题的方法，该方法通过优化波束形成器来最大化多用户网络中的可达速率，并显著降低近场区域的波束训练成本。
Jun, 2024
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