Глубокое обучение для быстрой ультразвуковой визуализации микрососудов со сверхвысоким разрешением

Ультразвуковая локализационная микроскопия (ULM) позволяет реконструировать микрососудистую сеть, определяя положение микропузырьков (МП). С помощью ULM можно получать изображения микрососудов с разрешением, превышающим предел, обусловленный дифракцией ультразвука, однако обработка данных занимает много времени, а точность визуализации зависит от плотности МП. Для устранения этих ограничений предложены методы ULM на основе глубокого обучения: изображения МП низкого разрешения моделируют, а затем преобразуют в координаты высокого разрешения с помощью локализации центроидов. Однако традиционные методы ULM на основе глубокого обучения недостаточно точны и требуют значительных вычислительных ресурсов. Кроме того, их эффективность во многом зависит от обучающих наборов данных, реалистичное моделирование которых затруднено.

Для решения этих проблем предложена новая архитектура — адаптивная сеть сопоставления (AM-Net), а также метод генерации данных, названный многократным отображением (MMP). Эффективность визуализации и время обработки с помощью AM-Net оценивали в моделировании и экспериментах.

По результатам моделирования, при высокой плотности МП (20 МП на кадр) AM-Net обеспечивает более высокую точность локализации в боковом и осевом направлениях, чем другие методы ULM на основе глубокого обучения. В экспериментах с помощью AM-Net удалось реконструировать микрососуды диаметром около 24,3 мкм и разделить два микрососуда диаметром около 28,3 мкм. При обработке изображений размером 128 × 128 пикселей в моделировании и 896 × 1280 пикселей в эксперименте время обработки составило около 13 и 33 с соответственно — на 0,3–0,4 порядка меньше, чем у других методов ULM на основе глубокого обучения.

AM-Net — перспективное решение для ULM, сочетающее высокое качество визуализации с низкими вычислительными затратами.