Experimental Validation of Ultrasound Beamforming with End-to-End Deep Learning for Single Plane Wave Imaging

要約

超高速超音波イメージングでは、多数の集束波の代わりに、さまざまなビーム操作角で 1 つまたはいくつかの平面波の組み合わせを媒体に照射します。
はるかに高いフレーム レートを実現できますが、多くの場合、画質が低下します。
特に単一平面波イメージングの場合、この欠点を軽減するために深層学習アプローチが提案されています。
主に、画像から画像への後処理ネットワーク、または完全に学習されたデータから画像へのニューラル ネットワークが使用されます。
どちらも純粋にデータ駆動型でマッピングを構築しており、適切に実行するには表現力豊かなネットワークと大量のトレーニング データが必要です。
対照的に、従来の画像形成技術をネットワーク アーキテクチャ内の微分可能な層として組み込んだデータから画像へのネットワークを検討します。
これにより、少量のトレーニング データでエンドツーエンドのトレーニングが可能になります。
この研究では、f-k マイグレーションを画像形成層として使用することを実験データで詳細に評価しています。
私たちは、現実的な乳房を模倣したファントムと超音波校正ファントムを使用して、データ駆動型の平面波イメージング アプローチのベンチマークを行うために設計されたデータ コレクションを取得しました。
評価では、全体的および局所的な画像の類似性の尺度、およびコントラスト、解像度、および病変の検出可能性の分析が考慮されます。
結果は、提案されたネットワーク アーキテクチャがすべての評価基準で単一平面波画像の画質を向上できることを示しています。
さらに、これらの画質の向上は、驚くほど少量のトレーニング データで達成できます。

要約(オリジナル)

Ultrafast ultrasound imaging insonifies a medium with one or a combination of a few plane waves at different beam-steered angles instead of many focused waves. It can achieve much higher frame rates, but often at the cost of reduced image quality. Deep learning approaches have been proposed to mitigate this disadvantage, in particular for single plane wave imaging. Predominantly, image-to-image post-processing networks or fully learned data-to-image neural networks are used. Both construct their mapping purely data-driven and require expressive networks and large amounts of training data to perform well. In contrast, we consider data-to-image networks which incorporate a conventional image formation techniques as differentiable layers in the network architecture. This allows for end-to-end training with small amounts of training data. In this work, using f-k migration as an image formation layer is evaluated in-depth with experimental data. We acquired a data collection designed for benchmarking data-driven plane wave imaging approaches using a realistic breast mimicking phantom and an ultrasound calibration phantom. The evaluation considers global and local image similarity measures and contrast, resolution and lesion detectability analysis. The results show that the proposed network architecture is capable of improving the image quality of single plane wave images on all evaluation metrics. Furthermore, these image quality improvements can be achieved with surprisingly little amounts of training data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google