توصيفگر ها :
تصويربرداري اولتراسوند پزشكي , تصويربرداري اولتراسوند پزشكي مبتني بر يادگيري عميق , شكلدهنده پرتو مبتني بر يادگيري عميق
چكيده فارسي :
تصويربرداري تشخيصي يكي از اهرم¬هاي كاربردي در سيستم سلامت و درمان شناخته مي¬شود. تصاوير بدست آمده امكان تشخيص زودهنگام بيماري، ميزان پيشرفت، انتخاب نوع درمان و برنامه¬ريزي جهت بهبود و پايش بيمار را براي پزشك فراهم مي¬آورد. روش¬هاي تصويربرداري پزشكي متعددي مانند CT، MRI، fMRI، اولتراسوند و غيره وجود دارند اما هريك با چالش¬هايي از جمله آسيب رساني به بافت بدن، قرار گرفتن بافت¬ها در معرض اشعه، تهاجمي بودن و غيره رو به رو هستند. تصويربرداري اولتراسوند پزشكي يكي از رايج¬ترين روش¬ها است كه امكان بررسي غيرتهاجمي ساختار آناتوميك را بدون استفاده از اشعه¬هاي خطرناك فراهم مي¬كند. در اين روش، فرآيند استفاده از امواج صوتي براي هدايت و تمركز يك پرتو تحت عنوان شكل‌دهي پرتو شناخته مي‌شود. تكنيك¬هاي شكل¬دهي پرتو متعددي وجود دارند كه متناسب با عملكرد خود به زيرمجموعه غيروفقي و وفقي تقسيم مي¬شوند. يكي از شكل¬دهنده¬هاي پرتو غير وفقي پايه شكل¬دهنده پرتو تأخير و حاصل جمع است كه در آن رزولوشن و كنتراست تصاوير وابسته به تعداد المان¬هاي آرايه و فركانس مركزي است. در اين شكل¬دهنده پرتو تعداد زياد المان¬هاي آرايه منجر به بهبود رزولوشن مي¬شود اما افزايش پيچيدگي سخت افزاري و افزايش حجم داده¬هاي دريافتي را در پي دارد. به منظور بهبود كنتراست و رزولوشن، روش¬هاي شكل¬دهي پرتو وفقي مانند مينيمم واريانس معرفي شدند كه با اصلاح وزن عملكرد مطلوبي در نمايش جزئيات تصوير و بهبود كيفيت تصوير از خود نشان دادند. علي¬رغم عملكرد مناسب شكل¬دهنده پرتو مينيمم واريانس، مطالعات در زمينه معرفي شكل¬دهنده¬هاي پرتو با كيفيت تصوير مناسب¬ در حال توسعه است. هم¬زمان و با پيشرفت علوم در زمينه هوش مصنوعي نيز برخي مطالعات به ادغام مباحث تصويربرداري اولتراسوند پزشكي با شبكه¬هاي يادگيري عميق پرداختند و شكل¬دهنده¬هاي پرتو مبتني بر يادگيري عميق به وجود آمدند. اين مطالعات با نمايش جزئيات كامل¬تر در تصوير با بهبود كنتراست و رزولوشن همراه بودند اما همچنان سرعت و پيچيدگي محاسبات از چالش¬هاي آن¬ها به شمار مي¬آمد. در پژوهش حاضر، سه شكل¬دهنده پرتو تأخير و حاصل جمع، مينيمم واريانس و مبتني بر شبكه تماماً متصل پياده¬سازي شده و نتايج حاصل از آن¬ها مورد ارزيابي كيفي و كمّي قرار گرفته است. پياده¬سازي شكل¬دهنده پرتو تأخير و حاصل جمع به عنوان يك معيار ارزيابي غيروفقي و شكل¬دهنده پرتو مينيمم واريانس به عنوان معيار ارزيابي وفقي صورت گرفته است. معماري شكل¬دهنده پرتو تماماً متصل در روش تصويربرداري متمركز و برگرفته از مطالعه لويتن و همكارانش با داده¬ها و تابع هزينه متفاوت صورت گرفته است. ارزيابي نتايج شكل¬دهنده پرتو مبتني بر يادگيري عميق، بهبود كنتراست و رزولوشن را نبست به شكل¬دهنده پرتو تأخير و حاصل جمع نشان مي¬دهند و حاكي از آن است كه شكل¬دهنده¬ پرتو مبتني بر شبكه تماماً متصل با كاهش پهناي لوب¬ اصلي و سطح لوب¬هاي جانبي عملكرد مطلوبي در زمينه رزولوشن داشته و كنتراست تصاوير نيز نسبت به شكل¬دهنده پرتو تأخير و حاصل جمع بهبود قابل توجهي داشتند. پيچيدگي محاسبات در فاز تست هر سه شكل¬دهنده پرتو نيز محاسبه شده و نتايج كاهش ميزان پيچيدگي محاسبات در شكل¬دهنده پرتو مبتني بر شبكه تماماً متصل را تأييد مي¬كند.
چكيده انگليسي :
Diagnostic imaging plays a crucial role in the healthcare and treatment system, providing valuable insights for physicians in early diagnosis, treatment planning, and patient care. Over the years, various medical imaging modalities such as CT, MRI, fMRI, and Ultrasound have been researched, each with its limitations including tissue damage, radiation exposure, and invasiveness. Among these modalities, medical ultrasound imaging stands out as a non-invasive and low-risk approach, utilizing acoustic waves for anatomical investigation without the use of harmful radiation. Within the realm of medical ultrasound imaging, beamforming techniques are employed to conduct and focus reflected rays. These techniques have evolved over time, falling into two main categories: non-adaptive and adaptive methods based on their performance. The Delay-and-Sum approach, a fundamental non-adaptive beamforming method, relies on the number of array elements and central frequency to determine image resolution and contrast. However, a higher number of array elements leads to increased hardware complexity and data volume. To address these limitations, advanced beamforming techniques such as Minimum-Variance have been introduced, demonstrating promising results in image enhancement through weight correction techniques.Furthermore, the integration of medical ultrasound imaging with deep neural networks, leveraging the advancements in artificial intelligence, has led to the development of deep learning-based beamformers. While these advancements have significantly enhanced image contrast and resolution, the computational complexity remains a challenge. In this study, the Delay & Sum, Minimum Variance, and Fully connected-based beamforming approaches have been implemented and qualitatively and quantitatively evaluated. The Delay & Sum beamformer represents a non-adaptive method, while the Minimum Variance beamformer serves as an adaptive method for comparison reference. The architecture of the fully connected beamformer draws inspiration from the adaptive Minimum Variance technique proposed by Lujiten et al., with adjusted inputs and loss function. The evaluation of the proposed network demonstrates notable enhancements in image resolution and contrast compared to the Delay & Sum beamformer. The utilization of a fully connected based beamformer led to an expansion in the main lobe's width and a reduction in the side lobe's amplitude. These findings indicate a favorable enhancement in contrast and resolution when compared to the DAS beamformer. Furthermore, the computational complexity of the implemented models was thoroughly examined during the testing phase, corroborating the improved performance of the beamforming technique.
