Mitigación del Ruido Inducido por Aberraciones: Un Enfoque Basado en Aprendizaje Profundo de Aberración a Aberración

Una de las principales fuentes de calidad de imagen subóptima en la imagenología por ultrasonido es la aberración de fase. Se produce por cambios espaciales en la velocidad del sonido a través de un medio heterogéneo, lo que perturba las ondas transmitidas y impide la suma coherente de las señales de eco. Obtener verdades de referencia no aberradas en escenarios del mundo real puede ser extremadamente desafiante, si no imposible. Este desafío obstaculiza el rendimiento de las técnicas basadas en aprendizaje profundo debido al cambio de dominio entre los datos simulados y experimentales. Aquí, por primera vez, proponemos un método basado en aprendizaje profundo que no requiere verdad de referencia para corregir el problema de la aberración de fase y, como tal, puede ser entrenado directamente con datos reales. Entrenamos una red en la que tanto la entrada como la salida objetivo son datos de radiofrecuencia (RF) aleatoriamente aberrados. Además, demostramos que una función de pérdida convencional como el error cuadrático medio es inadecuada para entrenar tal red y alcanzar un rendimiento óptimo. En su lugar, proponemos una función de pérdida mixta adaptativa que emplea tanto datos en modo B como datos RF, lo que resulta en una convergencia más eficiente y un rendimiento mejorado. Finalmente, lanzamos públicamente nuestro conjunto de datos, que comprende más de 180,000 imágenes de onda plana singular aberradas (datos RF), donde las aberraciones de fase se modelan como pantallas de fase de campo cercano. Aunque no se utiliza en el método propuesto, cada imagen aberrada está emparejada con su correspondiente perfil de aberración y la versión no aberrada, con el objetivo de mitigar el problema de escasez de datos en el desarrollo de técnicas basadas en aprendizaje profundo para la corrección de aberraciones de fase.