手持超声设备图像质量改善的双阶段生成对抗网络

超声作为一种广泛应用于医疗领域的成像方式，近年来已被应用于社区医学、农村医学甚至远程医疗。因此，便携式超声设备的开发已成为一个热门研究主题。然而，便携式超声设备的尺寸限制通常会降低成像质量，从而减少诊断的可靠性。为了克服硬件限制并改善便携式超声设备的图像质量，我们提出了一种新颖的生成对抗网络（GAN）模型，以实现低质量超声图像与对应高质量图像之间的映射。与传统的GAN方法相比，我们的双阶段GAN在生成器前端级联一个U-Net网络，旨在重建组织结构、细节和重建图像的斑点。在训练过程中，引入了一种基于超声平面波成像（PWI）数据的迁移学习方法，以促进收敛，并消除在数据配对获取过程中由呼吸活动引起的变形影响。采用逐步调谐策略，通过PWI迁移学习过程获得更好的结果。此外，提出了一种综合损失函数，以结合纹理、结构和感知特征。实验使用模拟、假体和临床数据进行。我们提出的方法与包括传统灰度级方法和基于学习的方法在内的四种其他算法进行了比较。结果确认所提出的方法在提高质量和提供有用的便携式超声图像诊断信息方面取得了最佳解决方案。这项技术对提供普遍医疗服务具有重要意义.