Segmentation of Lumen and External Elastic Laminae in Intravascular Ultrasound Images using Ultrasonic Backscattering Physics Initialized Multiscale Random Walks
Advanced Technology Development Centre（先进技术发展中心）；Department of Computer Science and Engineering（计算机科学与工程系）；Department of Electrical Engineering（电气工程系）；Indian Institute of Technology Kharagpur（印度理工学院卡哈拉格普尔分校）；India（印度（注：根据上下文，此处“India”为国家，非机构，原数据可能存在格式问题，按要求不提取国家信息，但按输出要求保留英文机构名））
冠状动脉疾病在世界范围内造成大量死亡，临床医生通常更喜欢使用X射线计算机断层扫描或磁共振成像来定位血管病变。血管内超声（IVUS）等介入成像方式用于辅助诊断血管中的动脉粥样硬化斑块，并帮助评估血管和斑块的形态状态，这对治疗计划起着重要作用。由于IVUS图像中的散斑强度本质上是随机的，并且挑战临床医生对血管壁边界的准确可见性，因此需要自动化。在本文中，我们提出了一种方法，用于分割血管内超声图像中的动脉壁的管腔和外弹性层使用随机游走在高斯分解框架的多尺度金字塔。随机步行者的种子初始化的超声波后向散射和衰减统计力学标记的训练样本的监督学习。我们使用在$40$ MHz下采集的$77$ IVUS图像（可在IVUS分割挑战数据集\footnote{http://www.cvc.uab.es/IVUSchallenge2011/dataset.html}中获得）对性能进行了实验性评价，以在$10$ -折叠交叉验证研究中获得管腔的$0.89 \pm 0.14$和外部弹性层分割的$0.85 \pm 0.12$的Jaccard评分。
2019-01-21 cs.CV
UltraSAM3: A Concept-Driven Foundation Model for Universal Ultrasound Image Segmentation
Dalian University of Technology Affiliated Center Hospital（大连大学附属中心医院）
针对现有超声分割方法的任务局限或需专家视觉提示问题，提出概念驱动的UltraSAM3模型及指令引导智能体，在多基准测试中性能优于同类模型，提升了临床交互的实用性。
2026-08-03 cs.CV
Inflated 3D Convolution-Transformer for Weakly-supervised Carotid Stenosis Grading with Ultrasound Videos
Shenzhen University（深圳大学）；Shenzhen RayShape Medical Technology Co., Ltd（深圳瑞影医疗科技有限公司）；The Third Affiliated Hospital, Sun Yat-sen University（中山大学附属第三医院）
本研究针对颈动脉超声狭窄分级需大量人工标注的痛点，提出首个弱监督视频分类框架，通过膨胀策略实现2D预训练权重3D适配，结合注意力引导多维度融合Transformer增强特征，在临床数据集上取得了最优性能。
2023-06-12 cs.CV
Full-reference image quality assessment-based B-mode ultrasound image similarity measure
Pierre and Marie Curie University（皮埃尔和玛丽居里大学）；ESPCI Paris, PSL Research University（巴黎高等物理化工学院，巴黎文理研究大学）；National University of Defense Technology（国防科技大学）；Peking University（北京大学）；Sun Yat-Sen University（中山大学）
在过去的几十年中，新的全参考图像质量评估算法的数量急剧增加。然而，尽管已经取得了显着的进展，医学超声图像的相似性测量仍然在很大程度上没有解决，由于高水平的斑点噪声污染。超声图像相似性度量的潜在应用在几个方面似乎是显而易见的。超声图像质量评价、异常功能区域检测等。本文对超声图像视觉结构相似性度量的全参考图像质量评价方法进行了比较研究。此外，基于图像相似性指数，通用的超声运动跟踪重新初始化框架，在这项工作中。在合成数据和真实超声肝脏数据上进行了实验，结果表明，在超声肝脏序列中，基于相似性的跟踪重新初始化方法可以将界标跟踪的平均误差从2 mm降低到1.5 mm左右。
2017-01-17 cs.CV
A new ultrasound despeckling method through adaptive threshold
Hamedan University of Technology（哈马丹工业大学）
提出了一种基于量子自适应阈值的超声图像斑点噪声抑制方法。在第一步中，由于斑点噪声既不是高斯噪声也不是白色噪声，因此通过频谱均衡过程对超声图像进行去相关。实际上，利用线性滤波器来平坦化超声图像的功率谱密度（PSD）。然后，该方法基于量子启发的自适应阈值函数收缩复小波系数。该方法已用于对真实和模拟数据集进行去噪，并与其他广泛采用的技术进行比较。实验结果表明，该方法具有较好的去除斑点噪声的性能，并能保持医学超声图像的细节和纹理。
2018-07-05 cs.CV
Bifurcation Identification for Ultrasound-driven Robotic Cannulation
Carnegie Mellon University（卡内基梅隆大学）；University of Pittsburgh School of Medicine（匹兹堡大学医学院）
针对超声图像中血管分叉自动提取缺乏算法及活体训练数据不足的问题，提出融合专家知识与深度学习的BIFURC算法，可检测股部血管分叉并提供最优进针位点，经体模和活体猪实验验证，结果与临床专家识别一致。
2024-09-10 cs.AI cs.CV cs.LG
Robust non-local means filter for ultrasound image denoising
Hamedan University of Technology（哈马丹技术大学）
提出了一种新的非局部均值图像去噪方法。而不是使用位于搜索窗口中的所有像素来估计像素的值，我们识别出高度损坏的像素，并为这些像素分配较少的权重。这种方法被称为鲁棒非局部均值。超声图像的数值和主观评价表明，与传统的超声图像去噪方法相比，所提出的去噪方法在恢复边缘形状和重要细节成分方面具有良好的性能
2017-09-26 cs.CV
Redefining Ultrasound Compounding: Computational Sonography
Technische Universität München（慕尼黑工业大学）
徒手三维超声（3D-US）在研究中获得了相当大的兴趣，但即使在今天，其在临床实践中的操作者之间的高度可变性。高可变性主要来自于跟踪不准确性以及超声数据的方向性，在当今的大多数重建方法中被忽略。通过提供一个新的范例跟踪徒手三维超声的采集和重建，这项工作提出了计算超声（CS）的概念，超声信息的方向性建模。CS保留了所获取数据的方向性，并允许通过计算算法对其进行利用。在这方面，我们提出了一组数学模型来表示3D-US数据，受到超声成像物理学的启发。我们比较了不同型号的计算超声，经典的标量复合徒手收购，提供了一个更好的保存美国的方向性，以及提高图像质量的3D。新的概念进行评估的一组幻影数据集，以及在体内收购muscoloskeletal和血管应用。
2018-11-05 cs.CV
Ultrasound-CLIP: Semantic-Aware Contrastive Pre-training for Ultrasound Image-Text Understanding
Hangzhou City University（杭州城市大学）；Hong Kong Baptist University（香港浸会大学）；Zhejiang University（浙江大学）；The First Affiliated Hospital, Zhejiang University School of Medicine（浙江大学医学院附属第一医院）；City University of Hong Kong（香港城市大学）
本文提出超声-CLIP，通过构建US-365K数据集和UDT知识框架，引入语义软标签和损失函数，提升超声图像与文本的语义对比学习效果，实现分类和检索的SOTA性能。
2026-04-02 cs.CV
End-to-End Learning-Based Ultrasound Reconstruction
Technical University of Munich（慕尼黑工业大学）；Klinikum rechts der Isar（Rechts der Isar 医院）；Johns Hopkins University（约翰斯·霍普金斯大学）
超声成像在追求最高图像质量和临床可用性的必要性之间陷入困境。我们的贡献是双重的：首先，我们提出了一种新的完全卷积神经网络的超声重建。其次，采用针对模态定制的自定义损失函数来进行网络的端到端训练。我们证明，训练一个网络将时间延迟的原始数据映射到最小方差的地面实况，可以在临床环境中提高性能。在这样做的过程中，探索了一条改善临床可行的超声重建的道路。所提出的方法显示了有前途的图像重建质量和采集频率时，集成为活的超声扫描。进行临床评价以验证所提出的方法在临床环境中的诊断有用性。
2019-04-09 cs.CV
Standardisation of Convex Ultrasound Data Through Geometric Analysis and Augmentation
The Hamlyn Centre, Imperial College London（哈姆林中心，伦敦帝国学院）；The BioRobotics Institute, Scuola Superiore Sant’Anna（圣安娜高等学校生物机器人研究所）；Department of Imaging, Charing Cross Hospital（查令十字医院影像科）；Department of Neurosurgery, Charing Cross Hospital（查令十字医院神经外科）
针对超声图像因设备和参数差异导致的变异性及缺乏标准化数据集问题，提出基于环形扇区几何提取潜在超声平面、实现扫描线提取与凸面线性化的方法，在公私数据上验证了鲁棒性并研究了增强的变形影响与可逆性。
2025-02-13 cs.CV
Multiple Instance Segmentation in Brachial Plexus Ultrasound Image Using BPMSegNet
University of Electronic Science and Technology of China（电子科技大学）；Institute of Electronic and Information Engineering of UESTC in Guangdong（电子科技大学广东电子信息工程研究院）；Sichuan Provincial Hospital for Women and Children（四川省妇幼保健院）
神经的识别是困难的，因为神经的结构对成像和在超声图像中检测是具有挑战性的。然而，超声图像中的神经识别是提高区域麻醉性能的关键步骤。本文提出了一种臂丛神经多实例分割网络（BPMSegNet）来识别超声图像中的不同组织（神经、动脉、静脉、肌肉）。BPMSegNet有三个新模块。第一个是空间局部对比度特征，它计算不同尺度下的对比度特征。第二个是自我注意力门，它根据通道的重要性重新衡量特征图中的通道。第三种是在特征金字塔网络中添加具有转置卷积的跳过级联。通过在我们构建的超声臂丛神经数据集（UBPD）上进行实验来评估所提出的BPMSegNet。定量实验结果表明，该网络可以从超声图像中分割出多个组织，具有良好的性能。
2020-12-22 cs.CV
Deblurring Masked Autoencoder is Better Recipe for Ultrasound Image Recognition
West China Hospital, Sichuan University（四川大学华西医院）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Sichuan University（四川大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
针对超声图像高噪信比特点，本文提出在MAE预训练代理任务中加入去模糊，以恢复细微细节并提升下游分类性能，达到超声图像分类最先进水平。
2023-07-13 cs.CV
3D Ultrasound image segmentation: A Survey
University of Ottawa（渥太华大学）
本文对三维超声图像分割方法进行了综述。本报告的重点是调查这些技术的应用和审查的原始想法和概念。虽然许多二维图像分割在文献中被误认为是一种三维的方法，但我们回顾他们作为一个三维的技术。我们选择的研究，已经解决了问题的医学三维超声图像分割，利用他们提出的技术。评估方法和它们之间的比较，并列出在评估技术，交互性和鲁棒性。
2016-11-29 cs.CV
Investigation and Assessment of Disorder of Ultrasound B-mode Images
Samrat Ashok Technological Institute（萨姆拉特·阿肖克技术学院）；Department of Trg. & Technical Education, Govt. of NCT Delhi（德里国家首都辖区政府培训与技术教育局）
数字图像在癌症的早期检测中起着至关重要的作用，如前列腺癌、乳腺癌、肺癌、宫颈癌等。超声显像也适用于早期发现胎儿畸形。超声图像中感兴趣区域的准确检测是关键。由于超声波从不同类型的组织中反射、折射和偏转的结果具有不同的声阻抗。通常，超声图像中的对比度很低，弱边缘使得图像难以识别超声图像中的胎儿区域。因此，超声图像的分析是一个更具挑战性的问题。我们试图开发一种新的算法来解决图像的不清晰和无序问题。本文提出了不同的滤波技术的基础上的统计方法，以消除各种噪声。增强图像的质量通过统计量测量来衡量：信噪比（SNR），峰值信噪比（PSNR）和均方根误差（RMSE）。
2010-03-09 cs.CV
UltraG-Ray: Physics-Based Gaussian Ray Casting for Novel Ultrasound View Synthesis
Chair for Computer Aided Medical Procedures (CAMP), Technical University of Munich（慕尼黑工业大学计算机辅助医疗程序教席）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
本文提出UltraG-Ray，通过学习3D高斯场和物理模块生成更真实的超声B模图像，提升成像真实性与质量。
2026-03-30 cs.CV
Force Sensing Guided Artery-Vein Segmentation via Sequential Ultrasound Images
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；Centre for Artificial Intelligence and Robotics, HK Institute of Science & Innovation, Chinese Academy of Sciences（中国科学院香港创新研究院人工智能与机器人中心）；City University of Hong Kong（香港城市大学）
本文提出一种力感知引导的超声动静脉分割方法，利用血管形变关键帧与注意力机制提升分割精度，并构建了首个多模态超声动静脉分割数据集Mus-V。
2024-07-31 cs.CV eess.IV
Ultrasound Image Classification using ACGAN with Small Training Dataset
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；IBM Research-Almaden（IBM阿尔马登研究中心）
B型超声成像是一种流行的医学成像技术。与其他图像处理任务一样，在过去几年中，深度学习已用于分析B型超声图像。然而，训练深度学习模型需要大型标记数据集，这通常不适用于超声图像。缺乏大型标记数据是在超声图像分析中使用深度学习的瓶颈。为了克服这一挑战，在这项工作中，我们利用了辅助分类器生成对抗网络（ACGAN），它在同一框架中结合了数据增强和迁移学习的优点。我们进行了实验数据集的乳腺超声图像，显示所提出的方法的有效性。
2021-01-31 cs.CV eess.IV
Invisible-to-Visible: Privacy-Aware Human Segmentation using Airborne Ultrasound via Collaborative Learning Probabilistic U-Net
Panasonic Holdings Corporation（松下控股株式会社）；Chubu University（中部大学）
彩色图像易于视觉理解，并且可以获取大量信息，例如颜色和纹理。它们在分割等任务中得到高度和广泛的应用。另一方面，在室内人员分割中，需要收集考虑隐私的人员数据。我们提出了一个新的任务，从无形的信息，特别是空中超声人体分割。我们首先将超声波转换为反射的超声方向图像（超声图像），以从不可见的信息中进行分割。虽然超声波图像可以大致识别一个人的位置，但详细的形状是模糊的。为了解决这个问题，我们提出了一个协同学习概率U-Net，它在训练过程中同时使用超声和分割图像，通过比较潜在空间的参数来关闭超声和分割图像之间的概率分布。在推理中，只有超声图像可以用于获得分割结果。作为性能验证的结果，所提出的方法可以更准确地估计人体分割比传统的概率U-Net和其他变分自编码器模型。
2022-05-11 cs.CV eess.IV
Weakly Supervised Context Encoder using DICOM metadata in Ultrasound Imaging
Massachusetts General Hospital（麻省总医院）；Massachusetts Institute of Technology（麻省理工学院）
面向临床适应的现代深度学习算法依赖于大量高保真标记数据。低资源设置带来了获取高保真数据等挑战，并成为开发人工智能应用程序的瓶颈。以医学数字成像和通信（DICOM）格式存储的超声图像具有对应于超声图像参数和医学检查的附加元数据。在这项工作中，我们利用来自超声图像的DICOM元数据来帮助学习超声图像的表示。我们证明了所提出的方法优于非基于元数据的方法在不同的下游任务。
2020-03-20 cs.CV eess.IV
UltraG-Bench: A Multi-task Benchmark for assessing Large Vision-Language Models on Pixel-level Evidence Grounding in Ultrasound
Dalian University of Technology（大连理工大学）；RMIT University（皇家墨尔本理工大学）
针对超声图像理解中缺乏像素级证据定位的问题，提出多任务基准UltraG-Bench及结合VLM与UltraSAM3的UltraG-Agent，显著提升语义预测与像素级定位能力。
2026-09-28 cs.AI cs.CV
Shape Detection of Liver From 2D Ultrasound Images
超声图像的应用已经从胎儿成像扩展到腹部和心脏诊断。肝脏是身体中最大的腺体，负责代谢活动，需要进行诊断，因此受到最大的伤害。尽管超声成像已经发展到三维和四维，提供了更高的信息量;但由于其包含的图像复杂性和尺寸，它需要训练有素的医务人员。由于二维超声图像仍然被认为是临床治疗的基础，计算机辅助自动肝脏诊断是非常必要的。由于超声图像的局限性，如分辨率损失导致的斑点噪声，使得器官的形状检测困难，本课题提出了一种二维超声图像中肝脏的形状检测方法。然后，我们比较了噪声和噪声去除后的方法的精度。
2019-11-23 cs.CV eess.IV
Investigating Pulse-Echo Sound Speed Estimation in Breast Ultrasound with Deep Learning
Technical University of Munich（慕尼黑工业大学）；Stanford University School of Medicine（斯坦福大学医学院）；Johns Hopkins University（约翰斯·霍普金斯大学）
超声波是乳房X光检查的辅助工具，可以快速安全地帮助医生诊断乳房异常。临床超声通常假定恒定声速以形成用于诊断的B型图像。然而，不同类型的乳腺组织，如腺体、脂肪和病变，声速不同。这些差异会降低图像重建过程的质量。另外，声速可以成为识别疾病的有力工具。为此，我们提出了一种深度学习方法，用于从同相和正交超声信号中估计声速。首先，我们开发了一个大规模的模拟超声数据集，通过模拟乳腺，皮肤和病变的不同回声和声速产生准现实的乳腺组织。我们开发了一种在模拟数据集上训练的完全卷积神经网络架构，以通过输入由不同角度的平面波传输形成的三个复值同相和正交超声图像来产生估计的声速图。此外，在模型优化期间使用热噪声增强以增强对真实超声数据的可推广性。我们评估模型模拟，幻影，和体内乳腺超声数据，证明其准确估计声速与文献中先前报道的值一致的能力。我们的模拟数据集和模型将公开提供一个步骤，以准确和概括的声速估计脉冲回波超声成像。
2023-02-06 cs.AI cs.CV
Ultrasound-QBench: Can LLMs Aid in Quality Assessment of Ultrasound Imaging?
Shandong University（山东大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出 Ultrasound-QBench 基准，基于 IVUSQA 与 CardiacUltraQA 从分类、评分和比较三维度评估 MLLM 的超声图像质量评估能力。
2025-01-06 cs.CV cs.MM eess.IV
Joint Segmentation and Landmark Localization of Fetal Femur in Ultrasound Volumes
Shenzhen University（深圳大学）；Nanfang Medical University（南方医科大学）；The Chinese University of Hong Kong（香港中文大学）
体积超声在产前检查中有很大的推广潜力。高度期望自动化解决方案来高效且有效地分析大量体积。分割和界标定位是实现产前超声体积定量评价的两个关键技术。然而，这两个任务是不平凡的，当考虑到图像质量差，边界模糊和解剖结构的变化，在体积超声。在本文中，我们提出了一个有效的框架，同时分割和地标定位在产前超声体积。建议的框架有两个分支，其中信息线索的分割和地标定位可以双向传播，以利于这两个任务。由于地标定位往往遭受误报，我们提出了一个基于距离的损失，以抑制噪声，从而提高定位地图，进而分割。最后，我们进一步利用对抗模块来强调分割和地标定位之间的对应关系。在胎儿股骨的体积超声数据集上进行了广泛验证，我们提出的框架被证明是一个很有前途的解决方案，以促进产前超声体积的解释。
2019-08-31 cs.CV eess.IV
Deep Network for Scatterer Distribution Estimation for Ultrasound Image Simulation
ETH Zurich（苏黎世联邦理工学院）
基于模拟的超声培训可以成为一种重要的教育工具。具有典型斑点纹理的真实超声图像外观可以被建模为点扩散函数与表示组织微结构的点散射体的卷积。然而，这样的散射体分布通常是未知的，并且其对于给定组织类型的估计基本上是不适定的逆问题。在本文中，我们展示了一个卷积神经网络的方法，从观察到的超声数据的概率散射估计。我们在此提出对散射体施加已知的统计分布，并通过在合成图像上训练卷积神经网络来学习超声图像与分布参数图之间的映射。与现有的几种方法相比，我们证明在数值模拟和体内图像，从散射体表示估计与我们的方法密切匹配的观察与不同的采集参数，如压缩和旋转的成像域的合成图像。
2020-06-17 cs.CV eess.IV
Ultrasound SAM Adapter: Adapting SAM for Breast Lesion Segmentation in Ultrasound Images
Anhui University（安徽大学）
本文提出乳腺超声分割模型BUSSAM，通过设计轻量CNN编码器与Cross-Branch Adapter等适配器，实现CNN与SAM中ViT分支的交互微调，在AMUBUS和BUSI数据集上显著提升了超声图像病灶分割性能。
2024-04-23 cs.CV eess.IV
UltraPIPS: Improving model perception in B-mode ultrasound with foundation models
School of Biomedical Engineering, Tel Aviv University（特拉维夫大学生物医学工程学院）
该研究针对B型超声图像特性，提出采用超声领域特定骨干网络优化LPIPS指标，构建UltraPIPS库，可提升下游任务性能并平衡重建质量与真实性。
2026-08-27 cs.CV eess.IV
Self-Supervised Learning with Limited Labeled Data for Prostate Cancer Detection in High Frequency Ultrasound
Queen’s University（女王大学）；University of British Columbia（不列颠哥伦比亚大学）；Exact Imaging（Exact Imaging公司）
基于深度学习的高频、高分辨率微超声数据分析显示出前列腺癌检测的巨大前景。以前的超声数据分析方法主要遵循监督学习范式。用于训练深度网络的超声图像的地面实况标签通常包括从经由活检获得的组织样本的组织病理学分析生成的粗略注释。这对标记数据的可用性和质量造成了固有的限制，对监督学习方法的成功提出了重大挑战。另一方面，未标记的前列腺超声数据更丰富。在这项工作中，我们成功地将自监督表示学习应用于微超声数据。使用来自两个临床中心的391名受试者的1028个活检核心的超声数据，我们证明了用这种方法学习的特征表示可用于将癌症与非癌组织分类，在独立测试集上获得91%的AUROC评分。据我们所知，这是第一个成功的端到端自我监督学习方法，用于使用超声数据进行前列腺癌检测。我们的方法优于基线监督学习方法，在不同的数据中心之间推广良好，并且随着更多未标记数据的添加，性能扩展良好，使其成为未来使用大量未标记数据进行研究的有前途的方法。
2022-11-01 cs.CV eess.IV
Perception Consistency Ultrasound Image Super-resolution via Self-supervised CycleGAN
Anhui University of Technology（安徽工业大学）；Aberystwyth University（阿伯里斯特威斯大学）
由于传感器、传输介质和超声固有特性的限制，超声成像质量一直不理想，尤其是其空间分辨率较低。为了弥补这种情况，最近开发了深度学习网络用于超声图像超分辨率（SR），因为它具有强大的近似能力。然而，目前大多数监督SR方法不适用于超声医学图像，因为医学图像样本总是稀少的，通常，在现实中，没有低分辨率（LR）和高分辨率（HR）的训练对。基于自监督和循环生成对抗网络（CycleGAN），提出了一种新的感知一致性超声图像超分辨率（SR）方法，该方法只需要LR超声数据，能够保证生成的SR图像的再退化图像与原始LR图像一致，反之亦然。首先通过图像增强生成测试超声LR图像的HR父子，然后充分利用LR-SR-LR和HR-LR-SR的周期损失和伪随机序列的对抗特性，促使生成器产生更好的感知一致性SR结果。在CCA-US和CCA-US基准数据集上的PSNR/IFC/SSIM、推理效率和视觉效果的评估表明，该方法是有效的，优于其他最先进的方法。
2020-12-28 cs.CV eess.IV
Ultrasound Image-to-Video Synthesis via Latent Dynamic Diffusion Models
MedAI Technology (Wuxi) Co. Ltd.（MedAI科技（无锡）有限公司）；Technical University of Munich（慕尼黑工业大学）
针对公开超声视频数据集稀缺的问题，提出潜在动态扩散模型LDDM，将静态超声图像合成为真实动态视频，在BUSV基准上效果优异，混合合成数据训练可提升分类模型性能，为超声视频分析提供有效数据增强方案。
2025-03-19 cs.CV eess.IV
Ultrasound Confidence Maps of Intensity and Structure Based on Directed Acyclic Graphs and Artifact Models
Carnegie Mellon University（卡内基梅隆大学）
超声成像一直在改进，但仍然受到固有伪影的影响，这些伪影对建模具有挑战性，例如衰减、阴影、衍射、斑点等。除非尝试评估单个像素值的确定性，否则这些伪影可能会混淆图像分析算法。我们的新的信心算法分析像素值使用有向无环图的基础上超声成像的声学物理特性。我们展示了我们的方法的独特功能，并将其与以前的阴影检测和图像复合任务的置信度测量算法进行比较。
2021-04-27 cs.CV eess.IV
Feature matching in Ultrasound images
dept. Computer Science University of Alberta（阿尔伯塔大学计算机科学系）；Multimedia（多媒体（注：此处可能为笔误或不完整信息，按原文保留））
特征匹配是在不同图像中识别单个目标的重要技术。它帮助机器从多个角度构建对特定对象的识别。多年来，特征匹配一直被广泛用于各种计算机视觉应用，如交通监控、自动驾驶和其他系统。随着计算机辅助诊断（CAD）的兴起，医学影像领域也出现了对特征匹配技术的需求。在本文中，我们提出了一种专门针对超声图像的基于深度学习的方法。它将被检查对现有的方法，有突出的结果，定期图像。由于超声图像在纹理、噪声类型和维数等方面与常规图像不同，因此将对传统方法进行评估和优化以应用于超声图像。
2020-10-23 cs.CV cs.MM
Blind Restoration of High-Resolution Ultrasound Video
Department of Mathematics, City University of Hong Kong（香港城市大学数学系）；Hong Kong Centre for Cerebro-cardiovascular Health Engineering（香港脑心血管健康工程中心）；Department of the Arts, University of Bologna（博洛尼亚大学艺术系）；Department of Computer Science and Engineering, University of Bologna（博洛尼亚大学计算机科学与工程系）；Department of Operations and Risk Management and School of Data Science, Lingnan University（岭南大学运营与风险管理系及数据科学学院）
针对超声视频低信噪比、低分辨率及预训练模型泛化性差的问题，提出自监督算法DUP，无需配对数据即可实现视频超分辨率与去噪，性能优于现有算法，助力下游应用。
2025-05-20 cs.CV eess.IV
S-CycleGAN: Semantic Segmentation Enhanced CT-Ultrasound Image-to-Image Translation for Robotic Ultrasonography
School of Information Science, Japan Advanced Institute of Science and Technology（日本先进科学技术学院信息科学学院）
提出S-CycleGAN模型，通过在CycleGAN框架中引入语义判别器，将CT数据转换为高质量合成超声图像，解决训练数据短缺问题，并用于增强机器人辅助超声扫描系统。
2024-08-23 cs.CV cs.LG eess.IV
A CNN-based tool for automatic tongue contour tracking in ultrasound images
University of Michigan（密歇根大学）；University of California San Diego（加州大学圣迭戈分校）
对于语音研究，超声舌成像提供了一种非侵入性的手段，可视化舌头的位置和运动在发音。从超声图像中提取舌头轮廓是分析超声数据的基本步骤，但这项任务通常需要非平凡的手动注释。这项研究提出了一个开源工具，使用基于神经网络的方法在超声帧中全自动跟踪舌头轮廓。我们在不同的条件下实现并系统地比较了两种卷积神经网络，U-Net和DenseU-Net。虽然这两种模型都可以以相当的精度执行自动轮廓跟踪，但密集U-Net架构似乎在测试数据集上更具通用性，而U-Net具有更快的提取速度。我们的比较还表明，损失函数和数据增强的选择有更大的影响跟踪性能在这个任务中。这个公共可用的分割工具显示了相当大的承诺，自动舌轮廓注释的超声图像在语音研究。
2019-07-24 cs.CL cs.CV eess.IV
Adaptive 3D Localization of 2D Freehand Ultrasound Brain Images
University of Oxford（牛津大学）；Leiden University Medical Center（莱顿大学医学中心）；Shanghai Jiao Tong University（上海交通大学）
二维（2D）徒手超声是产前护理和胎儿生长监测的支柱。对于给定的2D超声脑扫描，匹配3D解剖结构中的相应横截面平面的任务在徒手扫描中是必不可少的，但具有挑战性。我们提出了AdLocUI，一个框架，自适应定位2D超声图像在3D解剖图谱，而不使用任何外部跟踪传感器。我们首先训练一个卷积神经网络，该网络具有从共同对齐的3D超声体积采样的2D切片，以预测它们在3D解剖图谱中的位置。接下来，我们使用新的无监督周期一致性用2D徒手超声图像对其进行微调，该周期一致性利用了3D解剖图谱中图像序列的整体位移等于该序列中从第一个图像到最后一个图像的位移的事实。我们证明了AdLocUI可以适应三种不同的超声数据集，使用不同的机器和协议采集，并实现比基线更好的定位精度。AdLocUI可用于床边的无传感器2D徒手超声引导。源代码可在https://github.com/pakheiyeung/AdLocUI上获得。
2022-09-12 cs.CV cs.LG eess.IV
Hand Gesture Classification Based on Forearm Ultrasound Video Snippets Using 3D Convolutional Neural Networks
Worcester Polytechnic Institute（伍斯特理工学院）
针对2D超声无法捕获连续手部运动时序特征的问题，本研究提出基于3D CNN的方法提取超声视频片段的时空模式，将手势分类准确率从96.5%提升至98.8%。
2024-09-24 cs.CV cs.RO eess.IV
Automatic Ultrasound Image Segmentation of Supraclavicular Nerve Using Dilated U-Net Deep Learning Architecture
University of Florida（佛罗里达大学）；US Anesthesia Partners（美国麻醉伙伴公司）
医学图像中的自动对象识别可以促进医学诊断和治疗。在本文中，我们自动分割锁骨上神经超声图像，以协助注射周围神经阻滞。神经阻滞通常用于手术后的疼痛治疗，其中超声引导用于在目标神经附近注射局部麻醉剂。这种治疗阻断了疼痛信号向大脑的传递，有助于提高手术恢复率，并显着降低术后阿片类药物的需求。然而，超声引导区域麻醉（UGRA）需要麻醉师在超声图像中视觉识别实际神经位置。这是一项复杂的任务，因为神经在超声图像中有无数的视觉表现，并且它们与许多邻近组织的视觉相似性。在这项研究中，我们使用了自动神经检测系统的UGRA神经阻滞治疗。该系统可以使用深度学习技术识别超声图像中神经的位置。我们开发了一个模型，通过训练两个具有跳跃连接的深度神经网络来捕获神经的特征：两个扩展的U-Net架构，具有和不具有扩张卷积。这种解决方案可能会改善区域麻醉中靶神经的阻滞。
2022-08-09 cs.CV cs.LG eess.IV
SMRVIS: Point cloud extraction from 3-D ultrasound for non-destructive testing
该研究将三维超声点云提取视为图像分割问题，探索了多种网络变体，并在公开挑战中取得第一名，同时开源了代码。
2023-06-16 cs.CV cs.LG eess.IV
Cardiac ultrasound simulation for autonomous ultrasound navigation
King’s College London（伦敦国王学院）；Siemens Healthcare Limited（西门子医疗有限公司）；Siemens Healthineers（西门子医疗）；Siemens Healthineers AG（西门子医疗股份公司）
针对自主超声导航数据缺乏问题，提出基于分割、优化体积表示和GPU蒙特卡洛路径追踪的超声模拟流程，可快速生成患者特异性图像，并验证其能有效训练导航网络。
2024-02-09 cs.CV cs.LG eess.IV
Hybrid Diffusion Model for Breast Ultrasound Image Augmentation
University of Central Florida（中佛罗里达大学）
本文提出混合扩散框架，结合文本生成与图像精修提升超声图像真实性，通过LoRA和文本倒置优化，降低FID值，提升分类性能。
2026-03-27 cs.AI cs.CV eess.IV
Do We Need Pre-Processing for Deep Learning Based Ultrasound Shear Wave Elastography?
Hamburg University of Technology（汉堡工业大学）；Institute of Medical Technology and Intelligent Systems（医学技术与智能系统研究所）；SustAInLivWork Center of Excellence（SustAInLivWork卓越中心）
本研究探讨深度学习超声剪切波弹性成像是否需要预处理，发现使用原始射频数据即可可靠区分不同弹性组，减少对传统预处理的依赖。
2025-08-01 cs.AI cs.CV eess.IV
Learning beamforming in ultrasound imaging
Technion, Israel（以色列理工学院）；University of Waterloo, Canada（滑铁卢大学）
医学超声（US）是一种广泛使用的成像方式，这是由于其成本效益、便携性、速度和缺乏有害电离辐射而受到欢迎。在本文中，我们证明了用数据驱动的、可学习的对应物取代传统的超声处理管道可以显著提高图像质量。此外，我们证明了通过基于学习的设计的传输光束图案，同时学习图像重建管道，可以实现更大的改善。我们评估了我们的方法在体内的第一谐波心脏超声数据集从志愿者获得，并证明了学习的管道和传输波束模式的图像质量相比，标准的发射和接收波束形成器在高帧速率US成像的意义。我们相信，所提出的方法提供了一个从根本上不同的角度对经典问题的超声波束图案设计。
2020-04-05 cs.CV eess.IV physics.med-ph
Ultrasound Imaging based on the Variance of a Diffusion Restoration Model
Nantes Université（南特大学）；École Centrale Nantes（南特中央理工学院）；CNRS（法国国家科学研究中心）
本文融合超声线性直接模型与DDRM扩散先验，利用扩散重建方差估计回声性图，实现单次平面波采集的高质量超声成像。
2024-06-17 cs.CV cs.LG eess.IV
Tracked 3D Ultrasound and Deep Neural Network-based Thyroid Segmentation reduce Interobserver Variability in Thyroid Volumetry
Technical University of Munich（慕尼黑工业大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
背景：甲状腺容量测定在甲状腺疾病的诊断、治疗和监测中具有重要意义。然而，传统的甲状腺容量测定与2D超声是高度依赖于操作员。本研究比较了2D超声和跟踪的3D超声与基于深度神经网络的自动甲状腺分割，包括观察者间和观察者内的变异性、时间和准确性。体积参考为MRI。方法：对28例健康志愿者进行二维、三维超声及MRI扫描。具有不同经验水平（6、4和1a）的三名医生（MD 1、2、3）对每名志愿者进行了三次2D超声和三次跟踪3D超声扫描。在二维扫描中，用椭球公式计算甲状腺叶体积。卷积深度神经网络（CNN）自动分割3D甲状腺叶。在MRI（T1 VIBE序列）上，由经验丰富的医生手动分割甲状腺。结果：训练CNN以获得0.94的骰子得分。比较两个MD的观察者间变异性显示，2D和3D的平均差异分别为0.58 ml至0.52 ml（MD 1 vs. 2）、-1.33 ml至-0.17 ml（MD 1 vs. 3）和-1.89 ml至-0.70 ml（MD 2 vs. 3）。配对样本t检验显示2D的两次比较存在显著差异，3D无显著差异。2D和3D超声的观察者内变异性相似。通过配对样本t检验比较超声体积和MRI体积，显示所有MD的2D体积测量存在显著差异，而3D超声无显著差异。3D超声的采集时间明显更短。结论：结合CNN分割的跟踪3D超声显著降低了甲状腺容量测定中的观察者间变异性，并在更短的采集时间内提高了…
2021-08-10 cs.CV cs.LG cs.SD
UNICORN: Ultrasound Nakagami Imaging via Score Matching and Adaptation
Kim JaeChul Graduate School of AI, KAIST（金在哲人工智能研究生院，韩国科学技术院）
针对现有超声Nakagami成像方法窗口选择难、估计不稳定、分辨率低的问题，提出UNICORN方法，通过超声包络分数函数实现闭式Nakagami参数估计，实验验证其在精度和分辨率上优于传统方法。
2024-03-10 cs.AI cs.CV cs.LG
IrisNet: Deep Learning for Automatic and Real-time Tongue Contour Tracking in Ultrasound Video Data using Peripheral Vision
School of Electrical Engineering and Computer Science, University of Ottawa（渥太华大学电气工程与计算机科学学院）
深度卷积神经网络的进展已成功应用于各种实时计算机视觉任务，如图像分类和分割。由于计算单元的发展、数字数据集的可用性以及深度学习模型性能的提高，在实时超声数据中完全自动和准确地跟踪舌头轮廓直到最近几年才变得实用。最近的研究表明，深度学习技术的性能在实时应用中跟踪超声舌头轮廓方面非常重要，例如使用多模态超声增强方法进行发音训练。由于超声舌数据集之间的高度相关性，因此具有针对几乎所有数据集实现自动舌跟踪的通用模型是可行的。在本文中，我们提出了一种深度学习模型，该模型由一个卷积模块组成，模仿人眼的周边视觉能力，以处理实时，准确和全自动的舌头轮廓跟踪任务，适用于几乎所有的主要超声舌头数据集。在不同的超声舌数据集和PASCAL VOC 2012上进行定性和定量评估，与同类技术相比，IrisNet具有突出的泛化能力。
2020-04-17 cs.CV cs.LG eess.IV
