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
POCOVID-Net: Automatic Detection of COVID-19 From a New Lung Ultrasound Imaging Dataset (POCUS)
ETH Zurich（苏黎世联邦理工学院）；Clinique des Grangettes（格兰奇诊所）；Biomedical Research Institute August Pi i Sunyer（奥古斯特·皮·苏涅尔生物医学研究所）；Technische Universität München（慕尼黑工业大学）
随着COVID-19迅速发展为全球大流行病，对可协助医生诊断COVID-19的廉价、快速及可靠工具的需求日益迫切。CT等医学成像可以在补充分子生物学的传统诊断工具方面发挥关键作用，并且使用深度学习技术，使用CT或X射线数据证明了几种自动系统具有良好的性能。在此，我们提倡床旁超声成像在指导COVID-19检测方面发挥更突出的作用。超声波是非侵入性的，在全球各地的医疗设施中无处不在。我们的贡献是三方面的。首先，我们收集了一个肺部超声（POCUS）数据集，包括1103张图像（654张COVID-19，277张细菌性肺炎和172张健康对照），从64个视频中采样。该数据集是从各种在线来源收集的，专门为深度学习模型处理，旨在作为开放获取计划的起点。其次，我们在这个3类数据集上训练深度卷积神经网络（POCOVID-Net），并实现了89%的准确率，并且通过多数投票，视频准确率为92%。特别是对于检测COVID-19，该模型在5倍交叉验证中的灵敏度为0.96，特异性为0.79，F1得分为0.92。第三，我们提供了一个开放访问的Web服务（POCOVIDScreen），可在https://pocovidscreen.org上获得。该网站部署了预测模型，允许对超声肺部图像进行预测。此外，它还允许医务人员选择（批量）上传自己的筛查结果，以便为不断增长的病理性肺部超声图像公共数据库做出贡献。数据集和代码可…
2021-01-24 cs.CV cs.LG eess.IV
Three-dimensional multimodal medical imaging system based on free-hand ultrasound and structured light
Universidad Tecnológica de Bolívar（玻利瓦尔理工大学）
我们提出了一种三维（3D）多模态医学成像系统，它结合了徒手超声和结构光三维重建在一个单一的坐标系，而不需要注册。据我们所知，这些技术之前还没有被组合为多模态成像技术。该系统补充了超声采集的内部3D信息，并使用结构光技术测量外表面。此外，基于卷积神经网络实现了超声探头的光学跟踪位姿估计。实验结果表明，该系统的高准确性和可重复性，以及其潜在的术前和术中应用。实验的多模态误差，或从两个表面获得不同的模态的距离，是0.12毫米。代码可作为Github存储库。
2021-05-29 cs.CV eess.IV
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
A Symmetric Regressor for MRI-Based Assessment of Striatal Dopamine Transporter Uptake in Parkinson's Disease With Enhanced Uncertainty Estimation
Hankuk University of Foreign Studies（韩国外国语大学）；Seoul National University Bundang Hospital（首尔大学盆唐医院）；Seoul National University College of Medicine（首尔大学医学院）
本文提出一种对称回归器，从黑质MRI patch预测帕金森病纹状体多巴胺转运蛋白摄取量，利用左右对称性提升预测性能与不确定性估计精度。
2025-04-04 cs.AI cs.CV eess.IV
A Foundational EDM2-Based Generative Model for High-Resolution Synthetic Fetal Ultrasound Imaging from Open Datasets
University of Southampton（南安普顿大学）；Tsinghua University（清华大学）；King’s College London（伦敦国王学院）；University College London（伦敦大学学院）
该研究针对胎儿超声AI数据稀缺问题，提出基于EDM2的合成框架，生成512×512图像，在分类任务中准确率达93.36%，优于真实数据训练结果，为胎儿超声AI提供开放资源。
2026-08-07 cs.CV cs.LG eess.IV
Towards Realistic Ultrasound Fetal Brain Imaging Synthesis
University College London（伦敦大学学院）；King’s College London（伦敦国王学院）
针对超声胎儿脑成像数据稀缺问题，提出扩散-超分辨率GAN和基于Transformer的GAN两种模型，从公开数据集合成256x256像素的胎儿经小脑脑平面图像，其中扩散-超分辨率GAN取得更低的FID值，验证了GAN方法合成逼真高分辨率超声图像的潜力。
2023-04-08 cs.CV cs.LG 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
4D-UNet improves clutter rejection in human transcranial contrast enhanced ultrasound
Resolve Stroke
4D-UNet通过整合深度学习提升颅骨超声成像中微气泡的检测与杂波抑制能力。
2026-02-20 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
Implementing a Detection System for COVID-19 based on Lung Ultrasound Imaging and Deep Learning
Universidad Nacional Mayor de San Marcos（圣马科斯国立大学）；Universidad Nacional de Ingeniería（国立工程大学）
COVID-19疫情于二零一九年十二月在中国开始，并迅速蔓延至多个国家。这一流行病的后果是无法估量的，造成数百万人死亡，并破坏全球经济。为了实现对这一流行病的大规模控制，需要用于检测和治疗患者的快速工具。因此，由于准确和自动化的工具不可用，对诊断COVID-19的替代工具的需求急剧增加。在本文中，我们介绍了正在进行的使用超声成像和深度学习技术进行COVID-19检测系统的工作。此外，这样的系统在Raspberry Pi上实现，使其在没有互联网连接的偏远地区便携且易于使用。
2021-06-20 cs.CV eess.IV
Detection of COVID-19 Disease using Deep Neural Networks with Ultrasound Imaging
Universidad Nacional Mayor de San Marcos（圣马科斯国立大学）；Universidad Nacional de Ingeniería（国立工程大学）
新型冠状病毒2019（COVID-2019）已迅速成为一种流行病，并对日常生活、公共卫生和全球经济产生了毁灭性影响。必须尽早发现阳性病例，以防止这一流行病的进一步传播，并迅速治疗受影响的患者。由于没有准确的自动化工具包，对辅助诊断工具的需求增加了。本文介绍了一个正在进行的工作，提出了使用卷积神经网络的肺部超声扫描图像的分析。经过训练的模型将在Raspberry Pi上用于预测新图像。
2021-04-11 cs.CV eess.IV
Localizing Scan Targets from Human Pose for Autonomous Lung Ultrasound Imaging
The University of Sydney（悉尼大学）；University of California San Diego（加州大学圣地亚哥分校）
超声正朝着成为一种经济实惠的多功能医学成像解决方案的方向发展。随着COVID-19全球大流行的到来，需要完全自动化超声成像，因为它需要经过培训的操作员长时间接近患者，因此增加了感染风险。在这项工作中，我们调查的重要但很少研究的问题，扫描目标定位，在肺部超声成像的设置。我们提出了一种纯粹基于视觉的数据驱动方法，该方法结合了基于学习的计算机视觉技术。我们将人体姿势估计模型与专门设计的回归模型相结合来预测肺部超声扫描目标，并部署多视图立体视觉来增强3D目标定位的一致性。虽然相关的工作主要集中在幻影实验，我们收集了30个人类受试者的数据进行测试。我们的方法达到了16.00（9.79）毫米的探头定位和4.44（3.75）度的探头方向的精度水平，与80%以上的成功率下的误差阈值为25毫米的所有扫描目标。此外，我们的方法可以作为其他类型的超声模态的一般解决方案。实施守则已经发布。
2023-02-25 cs.CV cs.RO eess.IV
RCA-IUnet: A residual cross-spatial attention guided inception U-Net model for tumor segmentation in breast ultrasound imaging
IIIT Allahabad（阿拉哈巴德印度理工学院）
深度学习技术的进步为生物医学图像分析应用做出了巨大贡献。由于乳腺癌是妇女中最常见的致命疾病，早期发现是提高生存率的关键手段。像超声这样的医学成像提供了器官功能的极好的视觉表示;然而，对于任何放射科医生来说，分析这种扫描是具有挑战性的，并且耗时，这会延迟诊断过程。虽然提出了各种基于深度学习的方法，取得了可喜的成果，本文介绍了一种有效的残余跨空间注意力引导的初始U-Net（RCA-IUnet）模型，具有最小的训练参数，用于使用乳腺超声成像进行肿瘤分割，以进一步提高不同肿瘤大小的分割性能。RCA-IUnet模型遵循U-Net拓扑结构，具有残差初始深度可分离卷积和混合池化（最大池化和频谱池化）层。此外，还加入了跨空间注意力过滤器，以抑制无关特征并聚焦于目标结构。该模型的分割性能验证两个公开可用的数据集使用标准的分割评估指标，它优于其他国家的最先进的分割模型。
2022-01-02 cs.CV eess.IV
Deep Learning for Accelerated Ultrasound Imaging
KAIST（韩国科学技术院）
在便携式3D或超快速超声（US）成像系统中，对从有限数量的数据重建高质量图像的需求日益增加。然而，现有的解决方案需要硬件改变或计算扩展算法。为了克服这些限制，在这里，我们提出了一种新的深度学习方法，该方法通过利用傅立叶域中RF数据的稀疏性来插值缺失的RF数据。对真实超声系统的子采样数据进行了大量的实验，结果表明，该方法可以有效地降低数据率而不牺牲图像质量。
2017-10-27 cs.CV cs.LG stat.ML
Monitoring Achilles tendon healing progress in ultrasound imaging with convolutional neural networks
Medical University of Warsaw（华沙医科大学）；University of Warsaw（华沙大学）；SGH Warsaw School of Economics（SGH华沙经济学院）；Carolina Medical Center（卡罗莱纳医疗中心）；Warsaw University of Technology（华沙理工大学）；Tooploox
跟腱断裂是一种使人衰弱的损伤，通常通过手术修复和长期康复来治疗。然而，复苏是长期的，而且往往是不完全的。诊断以及愈合进展评估主要基于超声和磁共振成像。在本文中，我们提出了一种基于深度学习的自动方法，用于分析跟腱状况并估计其在超声图像上的愈合进度。我们开发了自定义卷积神经网络，用于愈合评分和特征提取的分类和回归。我们的模型在超过250.000个矢状和超过450.000个轴向超声切片的采集数据集上进行训练和验证。所获得的估计值显示出与放射科专家评估的高度相关性，就描述愈合进展的所有关键参数而言。我们还观察到与i.a.腱内愈合过程用矢状切片更好地建模。我们证明，超声成像是定量的跟腱愈合过程的临床评估有用，应被视为补充磁共振成像。
2019-09-11 cs.CV eess.IV q-bio.QM
DenOiS: Dual-Domain Denoising of Observation and Solution in Ultrasound Image Reconstruction
Department of Information Technology, Uppsala University（乌普萨拉大学信息技术系）
DenOiS通过双域去噪提升超声图像重建质量，结合观测修正与扩散基PnP方法，在模拟训练中实现高保真重建，适用于定量超声成像。
2026-04-02 cs.CV eess.IV
Towards CT-quality Ultrasound Imaging using Deep Learning
Technion -- Israel Institute of Technology（以色列理工学院）；University of Waterloo（滑铁卢大学）
超声成像的成本效益和实际无害性使其成为最广泛的医疗诊断工具之一。不幸的是，基于波束形成的图像形成产生颗粒状斑点噪声、模糊、阴影和其他伪影。为了克服这些影响，最终目标将是通过求解全波传播逆问题来重建组织声学特性。在这项工作中，我们使用多分辨率卷积神经网络（CNN）朝着这个目标迈出了一步。因此，我们能够重建CT质量的图像，从反射的超声射频（RF）的数据，通过模拟从真实的CT扫描人体。我们还表明，CNN是能够模仿现有的计算繁重的去斑方法，从而节省数量级的计算，使他们适合实时应用。
2017-10-17 cs.CV eess.IV physics.med-ph
Accelerated Intravascular Ultrasound Imaging using Deep Reinforcement Learning
Eindhoven University of Technology（埃因霍温理工大学）；Philips Research（飞利浦研究院）
针对血管内超声导管物理通道有限的信息瓶颈问题，提出基于深度强化学习、结合actor-critic方法与Gumbel top-$K$采样的逐帧自适应采集框架，在保证图像质量的同时提升成像帧率。
2022-01-24 cs.CV cs.LG eess.SP
Universal Deep Beamformer for Variable Rate Ultrasound Imaging
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
超声（US）成像基于时间反转原理，其中单个通道RF测量值被反向传播并累积，以在应用特定延迟后形成图像。虽然这种时间反转通常被实现为延迟求和（DAS）波束形成器，但是随着测量通道的数量减少，图像质量迅速下降。为了解决这个问题，已经提出了使用信号的预定义模型的各种类型的自适应波束形成技术。然而，这些自适应波束形成方法的性能降低时，底层模型是不够准确的。在这里，我们首次证明了使用纯数据驱动方式训练的单个通用深度波束形成器可以在广泛变化的孔径和通道子采样模式下生成显着改善的图像。特别地，我们设计了一个端到端的深度学习框架，该框架可以直接处理以不同的子采样率和探测器配置采集的子采样RF数据，以使用单个波束形成器生成高质量的超声图像。使用B型聚焦超声的实验结果证实了所提出的方法的有效性。
2019-01-07 cs.AI cs.CV cs.LG
Compressive Deconvolution in Medical Ultrasound Imaging
IRIT UMR CNRS 5505（法国国家科学研究中心IRIT联合研究单元（UMR 5505））；University of Toulouse（图卢兹大学）
压缩采样在超声成像中的兴趣最近已经被几个研究小组广泛评估。在不同的应用设置之后，已经示出了可以从少量的测量和/或使用减少数量的超声脉冲发射来重建RF数据。然而，RF图像空间分辨率、对比度和信噪比受到成像换能器的有限带宽和与US波传播相关的物理现象的影响。为了克服这些限制，已经提出了几种基于去卷积的图像处理技术来增强超声图像。在本文中，我们提出了一种新的框架，压缩反卷积，重建增强的RF图像压缩测量。利用直接采集模型的统一公式，将随机投影和2D卷积与空间不变的点扩散函数相结合，我们的方法的好处是联合数据量减少和图像质量提高。建议的优化方法，基于交替方向法的乘数，模拟和体内数据进行评估。
2015-12-04 cs.CV
SAS: Segment Anything Small for Ultrasound -- A Non-Generative Data Augmentation Technique for Robust Deep Learning in Ultrasound Imaging
GE HealthCare（GE医疗）
本研究提出SAS非生成数据增强技术，通过双变换策略提升深度学习模型对超声图像中小解剖结构的分割性能，经多数据集验证可显著提升Dice分数，且计算高效、适配资源受限场景。
2026-08-25 cs.AI cs.CV eess.IV
High frame-rate cardiac ultrasound imaging with deep learning
Technion - Israel Institute of Technology（以色列理工学院）；University of Waterloo（滑铁卢大学）；Hillel Yaffe Medical Center（希勒尔·雅菲医疗中心）
心脏超声成像需要高帧速率以便捕获快速运动。这可以通过多线采集（MLA）来实现，其中从每个宽聚焦发射线获得若干窄聚焦接收线。这以引入块伪影为代价缩短了采集时间。在本文中，我们提出了一个数据驱动的学习为基础的方法来提高MLA图像质量。我们训练一个端到端的卷积神经网络对真实的超声心脏数据，通过MLA和相应的单线采集（SLA）采集。该网络实现了$5-$和$7-$线MLA两者的图像质量的显著改善，从而在具有MLA的帧速率的同时产生与SLA的去相关度量类似的去相关度量。
2018-08-23 cs.CV
Real-Time Model-Based Quantitative Ultrasound and Radar
Weizmann Institute of Science（魏茨曼科学研究院）
提出基于波动物理模型的神经网络，在不到一秒内仅用八个单元数据重建多种物理属性，解决传统定量成像耗时的挑战，适用于超声和雷达医学成像。
2024-02-16 cs.CV
A Prototype System for High Frame Rate Ultrasound Imaging based Prosthetic Arm Control
Indian Institute of Technology Palakkad（帕拉卡德印度理工学院）
本文提出一种基于高帧率超声成像的假肢手臂控制原型系统，以克服sEMG的缺陷，并通过虚拟机器人手仿真验证了四种手势分类准确率超过90%。
2023-04-18 cs.CV cs.RO
Beamforming through regularized inverse problems in ultrasound medical imaging
超声成像中的波束形成对最终图像的质量具有显著影响，控制其分辨率和对比度。尽管其空间分辨率和对比度较低，但由于其实时性，延迟求和技术目前仍广泛应用于临床应用。最常见的替代方法是最小方差方法及其变体，它们克服了延迟求和的缺点，但代价是较高的计算复杂性，限制了其在实时应用中的应用。在本文中，我们建议通过一个正则化的逆问题的基础上的线性模型的反射回波的信号要恢复的超声成像中执行波束形成。我们的方法呈现两个主要优点：i）其在待波束成形的信号上的统计假设的选择上的灵活性（本文测试拉普拉斯和高斯统计）和ii）其对减少数量的脉冲发射的鲁棒性。所提出的框架是灵活的，并允许选择正确的噪声抑制和所得到的图像的清晰度之间的权衡。我们用颈动脉和甲状腺的\textit{in vivo}例子说明了我们的方法在模拟和实验数据上的性能。相比延迟和总和，最小方差和其他两个最近发表的波束形成技术，我们的方法提供了更好的空间分辨率，分别对比度，当使用拉普拉斯和高斯先验。
2016-05-18 cs.CV
Transfer learning for diagnosis of congenital abnormalities of the kidney and urinary tract in children based on Ultrasound imaging data
University of Pennsylvania（宾夕法尼亚大学）；Yantai University（烟台大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；The Children's Hospital of Philadelphia（费城儿童医院）
对超声（US）肾脏图像进行分类以诊断儿童先天性肾脏和泌尿道异常（CAKUT）是一项具有挑战性的任务。期望改进建立在常规图像特征上的现有模式分类模型。在这项研究中，我们提出了一种基于迁移学习的方法来提取成像特征，从US肾脏图像，以提高儿童CAKUT诊断。特别地，采用预训练的深度学习模型（imagenet-caffe-alex），用于从根据US图像计算的3通道特征图进行基于迁移学习的特征提取，包括原始图像、梯度特征和距离变换特征。然后，基于不同的特征集构建支持向量机分类器，包括迁移学习特征、常规成像特征及其组合。实验结果表明，结合迁移学习特征和常规成像特征，基于CAKUT患者的US肾脏图像将CAKUT患者与正常对照区分开来，获得了最佳的分类性能。
2017-12-31 cs.CV
Compressed Beamforming in Ultrasound Imaging
Technion-Israel Institute of Technology（以色列理工学院）；GE Health-care（通用电气医疗）
新兴的超声技术通常需要增加成像过程中涉及的换能器元件的数量。因此，必须获取和处理更大量的数据。数据量的显著增长影响了机器尺寸和功耗。在经典采样框架内，现有技术的系统通过利用检测到的信号的带通带宽来降低处理速率。最近已经表明，通过在有限创新率框架内处理超声信号，可以获得更显著的采样率降低。这些想法遵循了XENUS的精神，XENUS将采样理论的经典方法与压缩感知的最新发展相结合。将此类低速率采样方案应用于检测从生物组织反射的能量的各个换能器元件，会受到信号噪声性质的限制。这通常导致错误的参数提取，从而提出需要增强低速率样本的SNR。在我们的工作中，我们实现信噪比增强，波束形成的子奈奎斯特样本从多个元素。我们将该过程称为“压缩波束成形”。将其应用于心脏超声数据，我们成功地成像宏观扰动，同时实现了近八倍的采样率降低，与标准技术相比。
2012-04-10 cs.CV cs.IT math.IT
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
Transporter: A 128$\times$4 SPAD Imager with On-chip Encoder for Spiking Neural Network-based Processing
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本研究提出集成传感器内脉冲编码器的SPAD成像新范式，推出带逐像素D触发器环脉冲编码器的128×4 Transporter传感器，省去TDC并压缩数据，为高效神经形态SPAD成像系统提供路径。
2025-11-07 eess.IV
Learning the Imaging Landmarks: Unsupervised Key point Detection in Lung Ultrasound Videos
Indian Institute of Technology Palakkad（帕拉卡德印度理工学院）；La Paz Hospital（拉巴斯医院）；Government Medical College Thiruvananthapuram（特里凡得琅医学院）
肺部超声（LUS）是一种越来越受欢迎的诊断成像模式，用于连续和定期监测肺部感染，具有非侵入性、非电离性、便携性和易于消毒的优点。临床医生使用LUS进行分类的主要标志是胸膜、A线和B线。已经有许多努力来自动检测这些地标。然而，限制于几个预定义的标志可能无法揭示实际的成像生物标志物，特别是在新的病理学如COVID-19的情况下。相反，鉴于大量神经网络算法的可用性，关键地标的识别应该由数据驱动。这项工作是首次尝试在感染的各个阶段对COVID-19受试者的LUS视频中的关键LUS标志进行无监督检测。我们采用了相对较新的转运神经网络方法，根据胸膜、A线和B线的周期性运动和视频中相对稳定的外观自动标记和跟踪胸膜、A线和B线。无监督胸膜检测的初步结果显示，采用1081 LUS视频帧的准确率为91.8%。
2021-06-13 cs.CV eess.IV
Empirical Study of Quality Image Assessment for Synthesis of Fetal Head Ultrasound Imaging with DCGANs
King’s College London（伦敦国王学院）
在这项工作中，我们提出了DCGAN的实证研究，包括超参数成像和图像质量评估，作为一种方法来解决数据集的稀缺性，以调查胎儿头部超声。我们提出的实验显示不同的图像分辨率，历元，数据集大小输入和学习率对四个指标的影响：互信息（MI），Fréchet起始距离（FID），峰值信噪比（PSNR）和局部二进制模式向量（LBPV）。结果表明，FID和LBPv与临床图像质量评分有较强的相关性。可在\url{https://github.com/budai4medtech/miua2022}上获得复制本工作的资源。
2022-06-27 cs.CV cs.LG eess.IV
Feature-aggregated spatiotemporal spine surface estimation for wearable patch ultrasound volumetric imaging
Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins Medical Institute（约翰斯·霍普金斯医学研究所）
骨结构的清晰识别对于超声引导腰椎介入至关重要，但由于自阴影椎骨解剖结构的复杂形状和来自周围软组织结构的广泛背景斑点噪声，这可能具有挑战性。因此，我们建议使用贴片式可穿戴超声解决方案从多个成像角度捕获反射骨表面，并创建用于介入引导的3D骨表示。在这项工作中，我们将提出我们的方法，通过使用时空U-Net架构从B模式图像和手工制作的过滤器的聚合特征图学习来估计椎骨表面。我们提出的小型化可穿戴“补丁”超声设备收集的脊柱体模图像数据的方法进行了评估，结果表明，基线方法可以实现显着的改善，具有良好的精度。配备了这个表面估计框架，我们的可穿戴超声系统可以为增强现实环境中的临床医生提供直观和准确的介入指导。
2022-11-11 cs.CV eess.IV
Pushing the Limit of Unsupervised Learning for Ultrasound Image Artifact Removal
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
超声（US）成像是一种快速和非侵入性的成像方式，广泛用于实时临床成像应用，而无需考虑辐射危害。不幸的是，它往往遭受从各种来源，如斑点噪声，模糊，多线采集（MLA），有限的RF通道，小数目的平面波成像的情况下的视角，等经典的方法来处理这些问题，包括图像域信号处理方法，使用各种自适应滤波和基于模型的方法的视觉质量差。最近，深度学习方法已经成功地用于超声成像领域。然而，这些方法的局限性之一是在许多实际应用中难以获得用于监督训练的成对高质量图像。在本文中，受最近使用最优传输驱动循环GAN（OT-cycleGAN）的无监督学习理论的启发，我们研究了无监督深度学习在没有匹配参考数据的情况下对US伪影去除问题的适用性。各种任务，如反卷积，斑点去除，有限的数据伪影去除等的实验结果证实，我们的无监督学习方法提供了相当的结果，监督学习的许多实际应用。
2020-06-26 cs.CV cs.LG eess.IV
Deep learning in ultrasound imaging
Eindhoven University of Technology（埃因霍温理工大学）；Technion（以色列理工学院）；Weizmann Institute of Science（魏茨曼科学研究所）
我们考虑超声系统中的深度学习策略，从前端到高级应用。我们的目标是让读者广泛了解深度学习方法对超声成像许多方面的可能影响。特别是，我们讨论了位于信号采集和机器学习接口的方法，在原始射频信道阶段已经利用了数据结构（例如某些域中的稀疏性）和数据维度（大数据）。作为一些例子，我们通过人工代理概述了自适应波束形成和自适应频谱多普勒的高效和有效的深度学习解决方案，学习彩色多普勒的压缩编码，并通过学习迭代最小化问题的快速近似来提供结构化信号恢复的框架，并应用于杂波抑制和超分辨率超声。这些新兴技术可能对超声成像产生相当大的影响，在接收处理链的关键组件中显示出希望。
2019-07-29 cs.LG eess.IV eess.SP
Reslicing Ultrasound Images for Data Augmentation and Vessel Reconstruction
Carnegie Mellon University（卡内基梅隆大学）
机器人引导的导管插入有可能在医务人员无法提供紧急医疗护理的情况下。然而，该技术需要对身体中的解剖标志进行准确且可靠的分割。对于超声成像模态，获得用于分割模型的大量训练数据是耗时且昂贵的。本文介绍了RESUS（超声图像的RESlicing），一种基于从跟踪的2D图像切片重建的3D体积的超声图像的弱监督数据增强技术。这种技术使我们能够生成的意见，不能很容易地在体内获得由于超声成像的物理约束，并使用这些增强的超声图像训练语义分割模型。我们证明了RESUS在非增强图像的训练中取得了统计学上的显着改善，并通过血管重建突出了质量上的改善。
2023-01-18 cs.CV cs.LG cs.RO
Residual Dense Swin Transformer for Continuous Depth-Independent Ultrasound Imaging
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，清华大学）
针对超声成像中深度调整导致图像质量与视野下降的问题，提出残差密集Swin Transformer网络（RDSTN），通过线性嵌入、移位窗口注意力编码和MLP解码实现连续细节重建，在更少参数下优于传统插值方法，实现深度无关成像。
2024-03-25 cs.CV eess.IV
Computational Enhancement of Molecularly Targeted Contrast-Enhanced Ultrasound: Application to Human Breast Tumor Imaging
Charles Stark Draper Laboratory（查尔斯·斯塔克·德拉普尔实验室）；Stanford Medicine（斯坦福医学）；Bracco Diagnostics Corporation（布拉科诊断公司）
分子靶向造影增强超声（mCEUS）是一种通过靶向VEGFR2（KDR）受体成像进行早期癌症检测的临床有前途的方法。我们开发了针对mCEUS的计算增强技术，以解决人类成像对比度累积的独特挑战。这些技术利用动态分析来区分分子结合的造影剂与其他造影模式信号源，使得能够在造影剂团到达期间当由于分子结合而产生的信号最强时执行造影剂累积的分析。应用于首次人体分子超声乳腺病变研究的18名人类患者检查，计算增强提高了在涉及患者和探头运动的真实世界人类检查条件下区分病理学证实的病变和病理学证实的正常组织的能力，病变和正常组织之间的对比度改善在大多数情况下超过一个数量级（10倍）。值得注意的是，计算增强消除了假阳性结果，其中组织泄漏信号被放射科医师误解为造影剂积聚。
2020-06-22 cs.CV eess.IV
Pixel-reassignment in Ultrasound Imaging
我们提出了一个适应的像素重新分配技术，从共聚焦荧光显微镜相干超声成像。该方法，超声像素重新分配（UPR），提供了一个分辨率和信噪比（SNR）的改善，超声成像通过计算重新分配使用传统的平面波复合超声采集的离焦信号。我们从理论上分析了像素重分配的光学和超声实现之间的相似性，并通过实验评估了仿组织声学体模的成像质量。我们证明了UPR在体外扫描中提供了$25\%$分辨率的改善和$3dB$ SNR的改善，而没有任何硬件或采集方案的变化。
2022-01-24 eess.IV physics.med-ph
A Simplified 3D Ultrasound Freehand Imaging Framework Using 1D Linear Probe and Low-Cost Mechanical Track
超声成像是用于床旁即时成像的最流行的医学成像模式。然而，2D超声成像仅提供感兴趣器官的有限视图，使得诊断具有挑战性。为了克服这一点，开发了3D超声成像，其使用2D超声图像及其取向/位置来重建3D体积。低成本地准确估计超声探头的位置一直是三维重建中的一项具有挑战性的任务。在这项研究中，我们提出了一种新的方法，使用机械轨道超声扫描，限制探头运动到一个线性平面，简化采集，因此重建过程。我们还提出了一个端到端的管道三维超声体积重建，并证明其有效性与体外管体模研究和离体骨实验。无传感器徒手采集与建议的基于机械轨迹的采集之间的比较可在线获得（shorturl.at/jqvX0）。
2023-02-16 eess.IV eess.SP
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
AWR-Net: Decoupling Anatomy and Appearance for 3D Fetal Brain Ultrasound Synthesis
Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）；Massachusetts General Hospital（马萨诸塞州总医院）
针对胎儿脑超声数据稀缺问题，提出AWR-Net两阶段框架，通过小波域扩散和残差细化解耦解剖与外观，从标签图合成超声，提升合成质量并改善下游分割。
2026-09-22 cs.CV eess.IV
Coarse-to-Fine Joint Registration of MR and Ultrasound Images via Imaging Style Transfer
University of Electronic Science and Technology of China（电子科技大学）
提出一种结合3D CycleGAN风格转换与仿射及局部可变形变换的由粗到精流程，用于术前MR与术后US图像配准，提升图像对一致性。
2025-08-07 cs.AI cs.CV eess.IV
UNICORN: Ultrasound Nakagami Imaging via Score Matching and Adaptation for Assessing Hepatic Steatosis
Department of AI Convergence, GIST（GIST人工智能融合学院）；Kim Jae Chul Graduate School of AI, KAIST（KAIST金 Jae Chul人工智能研究生院）；Samsung Medison（三星医疗）
UNICORN通过分数匹配与适应技术实现超声纳卡戈米成像，提供高分辨率肝脂肪变评估，解决传统方法在窗口大小选择和估计稳定性上的不足。
2026-03-16 cs.AI cs.CV eess.IV
Artificial Intelligence in Quantitative Ultrasound Imaging: A Review
定量超声（QUS）成像是一种可靠、快速和廉价的技术，用于提取用于评估病理的物理描述性参数。尽管其安全性和有效性，但QUS存在几个主要缺点：成像质量差，观察者间和观察者内的变异性妨碍了测量的再现性。因此，迫切需要开发自动化方法来提高QUS的成像质量和辅助测量。近年来，人们对超声成像中的人工智能（AI）应用越来越感兴趣。然而，还没有研究发现调查QUS中的AI使用。本文的目的是回顾最近的研究，人工智能应用在QUS。本文首先介绍了人工智能的工作流程，然后讨论了QUS中的各种人工智能应用。最后，讨论了QUS中的挑战和未来潜在的人工智能应用。
2020-03-25 eess.IV physics.med-ph
Modulated INR with Prior Embeddings for Ultrasound Imaging Reconstruction
提出一种调制隐式神经表示框架，利用坐标网络和I/Q数据潜在嵌入，结合Gabor小波激活，在ICE数据集上实现优于现有方法的超声图像重建。
2025-10-07 eess.IV
Increased SNR in acousto-optic imaging via coded ultrasound transmission
声光成像（AOI）是一种非侵入性的方法，它使用声学调制来映射生物组织内的光通量。在许多AOI实现中，超声脉冲用于时间选通测量以执行深度分辨成像，而不需要机械扫描。然而，为了实现高轴向分辨率，需要使用具有很少周期的超声脉冲，这限制了调制强度。在这封信中，我们开发了一种基于脉冲的AOI的新方法，其中使用编码超声传输。在编码传输AOI（CT-AOI）中，可以实现对应于单个周期的轴向分辨率，但是具有缩放为周期数的平方根的信噪比（SNR）。使用CT-AOI与79个周期，我们的实验表明，超过4倍的SNR增加相比，单周期AOI计划。
2020-04-16 eess.IV physics.med-ph
Super-resolution Ultrasound Localization Microscopy through Deep Learning
Eindhoven University of Technology（埃因霍温理工大学）；Academic Medical Center, University of Amsterdam（阿姆斯特丹大学学术医学中心）；The University of Washington（华盛顿大学）
超声定位显微镜通过在众多成像帧上精确定位单个超声造影剂（微泡），实现了超分辨率血管成像。然而，高密度区域的微气泡点扩散响应之间的显着重叠的分析产生高的定位误差，限制了该技术的低浓度条件。因此，需要长的采集时间来充分覆盖血管床。在这项工作中，我们提出了一种快速和精确的方法，从高密度对比增强超声成像数据获得超分辨率血管图像。这种方法，我们称之为深度超声定位显微镜（Deep-ULM），利用现代深度学习策略，并采用卷积神经网络在密集场景中执行定位显微镜。这种端到端的全卷积神经网络架构使用在线合成数据进行有效训练，从而在各种成像条件下实现体内鲁棒推理。我们表明，深度学习在具有挑战性的造影剂密度下实现了超分辨率，无论是在计算机上还是在体内。Deep-ULM适用于实时应用，在标准PC上每秒可解析约70个高分辨率补丁（128 x128像素）。利用GPU计算，这个数字增加到每秒1250个补丁。
2018-12-13 cs.CV eess.IV eess.SP
TaL: a synchronised multi-speaker corpus of ultrasound tongue imaging, audio, and lip videos
University of Edinburgh（爱丁堡大学）；University of Science and Technology of China（中国科学技术大学）；Queen Margaret University（玛格丽特女王大学）；Articulate Instruments Ltd.（Articulate仪器有限公司）
我们提出了舌头和嘴唇语料库（TaL），音频，超声舌头成像和嘴唇视频的多扬声器语料库。TaL由两部分组成：TaL 1是一个专业的语音人才，英语为母语的男性的一套六个录音会话; TaL 80是一个没有语音人才经验的81个英语为母语的录音会话。总体而言，语料库包含24小时的并行超声、视频和音频数据，其中大约13.5小时是语音。本文介绍了语料库，并提出了基准测试结果的任务，语音识别，语音合成（发音声学映射），和自动同步的超声音频。TaL语料库在CC BY-NC 4.0许可下公开可用。
2020-11-19 cs.CL cs.CV cs.SD
Multiplex ultrasound imaging of perfluorocarbon nanodroplets enabled by decomposition of post-vaporization dynamics
提出利用不同沸点PFC纳米液滴汽化后时间响应差异的多重超声成像方法，实现同一成像体积内两种纳米液滴相对浓度的准确区分，平均误差1.1%。
2023-09-26 eess.IV physics.bio-ph
Ultrasound tongue imaging for diarization and alignment of child speech therapy sessions
University of Edinburgh（爱丁堡大学）
我们研究了使用超声视觉生物反馈的儿童语音治疗会话的自动处理，特别关注于用舌头的超声图像补充声学特征，用于扬声器日志化和目标词的时间对齐的任务。对于说话人日记化，我们提出了一个基于超声的时域信号，我们称之为估计的舌头活动。对于单词对齐，我们用卷积神经网络学习的舌头超声图像的低维表示来增强声学模型。我们使用Ultrasuite存储库的超声波和语音录音进行实验，用于儿童语音治疗。对于这两项任务，我们观察到，增强超声数据的系统优于仅使用音频信号的相应系统。
2019-08-15 cs.CL cs.SD eess.AS
Deep Learning for Ultrasound Beamforming
诊断成像在医疗保健中起着关键作用，是及时诊断、疾病分期和管理以及治疗选择、计划、指导和随访的基本资产。在诊断成像选项中，超声成像具有独特的定位，是一种极具成本效益的模式，可为临床医生提供无与伦比的和宝贵的交互水平，并通过其实时性实现。超声探头正变得越来越紧凑和便携，市场对低成本袖珍和（体内）小型化设备的需求不断扩大。同时，存在朝向3D成像和使用高帧速率成像方案的强烈趋势;两者都伴随着对探头系统通信和随后的图像重建算法造成沉重负担的急剧增加的数据速率。随着对高质量图像重建和从较少（例如，未聚焦或并行）传输中提取信号以促进快速成像的需求，以及对紧凑探头的推动，现代超声成像严重依赖于强大的数字接收通道处理的创新。波束形成是将接收到的超声回波映射到空间图像域的过程，自然位于超声图像形成链的核心。在这一章中，我们将讨论深度学习方法为什么以及何时可以在数字波束形成管道中发挥引人注目的作用，然后展示如何利用这些数据驱动系统来改进超声图像重建。
2021-09-23 cs.AI eess.IV eess.SP
Ultrasound Shear Wave Elasticity Imaging with Spatio-Temporal Deep Learning
Institute of Medical Technology and Intelligent Systems, Hamburg University of Technology（汉堡工业大学医学技术与智能系统研究所）
超声剪切波弹性成像是一种有价值的工具，用于量化组织的弹性特性。通常，剪切波速度被导出并映射到弹性值，其忽略诸如传播剪切波的形状或推动序列特性的信息。我们提出了3D时空CNN，用于从超声数据中快速估计局部弹性。这种方法是基于检索弹性性能的剪切波传播在小的局部区域。一个大的训练数据集，从均匀的明胶phantomenum范围从17.42 kPa到126.05 kPa与各种推动位置的机器人获得。结果表明，我们的方法可以估计弹性性能的像素的基础上，平均绝对误差为5.01 ± 4.37 kPa。此外，我们估计局部弹性独立的推动位置，甚至可以执行准确的估计内的推动区域。对于嵌入式夹杂物的幻影，我们报告了一个53.93%的低MAE（7.50 kPa）和85.24%（1.64 kPa）的背景相比，传统的剪切波方法。总的来说，我们的方法提供了快速的局部估计的弹性性能与小的时空窗口大小。
2022-04-28 cs.LG eess.IV physics.med-ph
Deep Learning-based Synthetic High-Resolution In-Depth Imaging Using an Attachable Dual-element Endoscopic Ultrasound Probe
本研究提出一种可附加式双元件超声内镜探头，结合图像到图像转换深度学习网络，利用442对组织模拟仿体图像对，证明其在组织深处合成高分辨率高频超声图像的可行性，解决了分辨率与穿透深度的权衡问题。
2023-09-13 cs.SY eess.IV eess.SY
