Phase Aberration Correction without Reference Data: An Adaptive Mixed Loss Deep Learning Approach

要約

位相収差は、超音波における画質劣化の主な原因の 1 つであり、不均一媒体全体の音速の空間変動によって引き起こされます。
この影響により、送信波が中断され、エコー信号のコヒーレントな加算が妨げられ、最適な画質が得られません。
実際の実験では、異常のないグランド トゥルースを取得することは、実行不可能ではないにしても、非常に困難な場合があります。
これは、シミュレートされたデータのみに依存することと、シミュレートされたデータと実験データの間の領域シフトの存在により、深層学習ベースの位相収差補正技術のパフォーマンスを妨げます。
ここでは、位相収差の影響を補償するための参照データを必要としない深層学習ベースの方法を初めて提案します。
入力とターゲット出力の両方がランダムに収差された無線周波数 (RF) データであるネットワークをトレーニングします。
さらに、平均二乗誤差などの従来の損失関数は、ネットワークをトレーニングして最適なパフォーマンスを達成するには不十分であることを示します。
代わりに、B モード データと RF データの両方を使用する適応混合損失関数を提案します。これにより、より効率的な収束とパフォーマンスの向上が実現します。
ソース コードは \url{http://code.sonography.ai} で入手できます。

要約(オリジナル)

Phase aberration is one of the primary sources of image quality degradation in ultrasound, which is induced by spatial variations in sound speed across the heterogeneous medium. This effect disrupts transmitted waves and prevents coherent summation of echo signals, resulting in suboptimal image quality. In real experiments, obtaining non-aberrated ground truths can be extremely challenging, if not infeasible. It hinders the performance of deep learning-based phase aberration correction techniques due to sole reliance on simulated data and the presence of domain shift between simulated and experimental data. Here, for the first time, we propose a deep learning-based method that does not require reference data to compensate for the phase aberration effect. We train a network wherein both input and target output are randomly aberrated radio frequency (RF) data. Moreover, we demonstrate that a conventional loss function such as mean square error is inadequate for training the network to achieve optimal performance. Instead, we propose an adaptive mixed loss function that employs both B-mode and RF data, resulting in more efficient convergence and enhanced performance. Source code is available at \url{http://code.sonography.ai}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google