Imagem Microvascular por Ultrassonografia Usando Destilação de Conhecimento Profundo

A imagem Doppler ultrarrápida fornece insights críticos sobre a perfusão do tecido, mas tradicionalmente requer aquisições longas e filtragem computacionalmente cara, como a decomposição em valores singulares (SVD). Neste trabalho, propomos o SONIC, uma estrutura de aprendizado profundo em tempo real que reconstrói imagens vasculares de alta qualidade a partir de quadros Doppler limitados usando um paradigma de professor-aluno. O modelo aluno, projetado para inferência rápida, é treinado sob a orientação de uma rede professora pré-treinada em sequências completas. Para melhorar ainda mais o desempenho em condições de dados esparsos, introduzimos uma estratégia de perda dual que combina supervisão profunda e destilação de conhecimento. A perda de supervisão profunda ajuda na aprendizagem de características intermediárias suprimidas, enquanto a perda de destilação de conhecimento transfere conhecimento esparcial e temporal de alto nível da rede professora para o modelo aluno. Experimentos em conjuntos de dados in vivo demonstram que o SONIC alcança desempenho superior em comparação com a filtragem SVD ao operar em menos quadros. Nosso estudo de ablação confirma que a combinação de supervisão profunda e destilação de conhecimento proporciona benefícios sinérgicos, melhorando significativamente a precisão da segmentação e a fidelidade do sinal. Além disso, o SONIC alcança velocidades de inferência em tempo real em hardware de GPU, apoiando sua integração em fluxos de trabalho clínicos com restrições de tempo. Finalmente, demonstramos a aplicabilidade do SONIC à imagem microvascular em 3D à mão livre, empilhando cortes Doppler 2D de alta qualidade adquiridos durante a digitalização manual. Essa capacidade destaca o potencial da estrutura para estender a ultrassonografia microvascular a ambientes clínicos portáteis e de baixo dado.