RF-ULM: Ultrasound Localization Microscopy Learned from Radio-Frequency Wavefronts

要約

超音波局在化顕微鏡法 (ULM) では、高解像度画像を実現するには、一連のビームフォーミング フレーム全体にわたる造影剤粒子の正確な局在化が必要です。
しかし、私たちの研究は、大きな可能性を明らかにしました。遅延加算ビームフォーミングのプロセスは、無線周波数 (RF) チャネル データの不可逆的な削減につながりますが、その位置特定への影響はほとんど解明されていません。
双曲線形状や位相など、RF 波面内に埋め込まれた豊富なコンテキスト情報は、困難な位置特定シナリオでディープ ニューラル ネットワーク (DNN) をガイドする上で大きな期待をもたらします。
このデータを最大限に活用するために、RF チャネル データ内の散乱体の位置を直接特定することを提案します。
私たちのアプローチには、学習された特徴チャネル シャッフル、非最大抑制、および信頼性が高く正確な波面位置特定のためのセミグローバル畳み込みブロックを使用したカスタム超解像度 DNN が含まれます。
さらに、RF 座標空間と B モード座標空間の間のシームレスなマッピングを容易にする幾何学的な点変換を導入します。
ULM に対するビームフォーミングの影響を理解するために、最先端 (SOTA) 技術と広範な比較を行うことにより、私たちの方法の有効性を検証します。
RF でトレーニングされた DNN から得られた最初の in vivo 結果を提示し、その現実世界での実用性を強調します。
私たちの調査結果は、RF-ULM が合成データセットと実際のデータセットの間のドメインの移行を橋渡しし、精度と複雑さの点でかなりの利点を提供することを示しています。
より広範な研究コミュニティが私たちの発見から恩恵を受けることができるように、私たちのコードと関連する SOTA メソッドは https://github.com/hahnec/rf-ulm で利用可能です。

要約(オリジナル)

In Ultrasound Localization Microscopy (ULM), achieving high-resolution images relies on the precise localization of contrast agent particles across a series of beamformed frames. However, our study uncovers an enormous potential: The process of delay-and-sum beamforming leads to an irreversible reduction of Radio-Frequency (RF) channel data, while its implications for localization remain largely unexplored. The rich contextual information embedded within RF wavefronts, including their hyperbolic shape and phase, offers great promise for guiding Deep Neural Networks (DNNs) in challenging localization scenarios. To fully exploit this data, we propose to directly localize scatterers in RF channel data. Our approach involves a custom super-resolution DNN using learned feature channel shuffling, non-maximum suppression, and a semi-global convolutional block for reliable and accurate wavefront localization. Additionally, we introduce a geometric point transformation that facilitates seamless mapping between RF and B-mode coordinate space. To understand the impact of beamforming on ULM, we validate the effectiveness of our method by conducting an extensive comparison with State-Of-The-Art (SOTA) techniques. We present the inaugural in vivo results from an RF-trained DNN, highlighting its real-world practicality. Our findings show that RF-ULM bridges the domain shift between synthetic and real datasets, offering a considerable advantage in terms of precision and complexity. To enable the broader research community to benefit from our findings, our code and the associated SOTA methods are made available at https://github.com/hahnec/rf-ulm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google