مقاله بهینه سازی رمزگذاری آرایه برای تصویربرداری فراصوت

چکیده

Objective: The transmit encoding model for synthetic aperture imaging is a robust and flexible framework for understanding the effect of acoustic transmission on ultrasound image reconstruction. Our objective is to use machine learning (ML) to construct scanning sequences, parameterized by time delays and apodization weights, that produce high quality B-mode images. Approach: We use an ML model in PyTorch and simulated RF data from Field II to probe the space of possible encoding sequences for those that minimize a loss function that describes image quality. This approach is made computationally feasible by a novel formulation of the derivative for delay-and-sum beamforming. We demonstrate these results experimentally on wire targets and a tissue-mimicking phantom. Main Results: When trained according to a given set of imaging parameters (imaging domain, hardware restrictions), our ML imaging model produces optimized encoding sequences that improve a number of standard quality metrics including resolution, field of view, and contrast, over conventional sequences. Significance: This work demonstrates that the set of encoding schemes that are commonly used represent only a narrow subset of those available. Additionally, it demonstrates the value for ML tasks in synthetic transmit aperture imaging to consider the beamformer within the model, instead of as purely post-processing.

چکیده به فارسی (ترجمه ماشینی)

هدف: مدل رمزگذاری انتقال برای تصویربرداری دیافراگم مصنوعی یک چارچوب قوی و انعطاف پذیر برای درک تأثیر انتقال آکوستیک در بازسازی تصویر سونوگرافی است.هدف ما استفاده از یادگیری ماشین (ML) برای ساخت توالی های اسکن ، پارامتری شده توسط تاخیر در زمان و وزن آپودیزاسیون است که تصاویر با کیفیت بالایی را تولید می کنند.رویکرد: ما از یک مدل ML در Pytorch و داده های RF شبیه سازی شده از Field II استفاده می کنیم تا فضای توالی رمزگذاری احتمالی را برای کسانی که یک عملکرد از دست دادن را به حداقل می رساند که کیفیت تصویر را به حداقل می رساند ، بررسی کنیم.این رویکرد با یک فرمول جدید از مشتق برای پرتوهای تأخیر و جمع ، از نظر محاسباتی امکان پذیر می شود.ما این نتایج را به صورت تجربی در اهداف سیم و یک فانتوم با استفاده از بافت نشان می دهیم.نتایج اصلی: هنگامی که با توجه به مجموعه مشخصی از پارامترهای تصویربرداری (دامنه تصویربرداری ، محدودیت های سخت افزاری) آموزش داده می شود ، مدل تصویربرداری ML ما توالی رمزگذاری بهینه شده را تولید می کند که تعدادی از معیارهای با کیفیت استاندارد از جمله وضوح ، میدان دید و کنتراست را بیش از توالی های معمولی بهبود می بخشد.بشراهمیت: این کار نشان می دهد که مجموعه ای از طرح های رمزگذاری که معمولاً مورد استفاده قرار می گیرند ، فقط یک زیر مجموعه باریک از موارد موجود را نشان می دهد.علاوه بر این ، این مقدار برای وظایف ML در تصویربرداری دیافراگم انتقال مصنوعی را نشان می دهد تا به جای اینکه صرفاً پس از پردازش باشد ، پرتو شکل را در مدل در نظر بگیرد.