Boosting Cardiac Color Doppler Frame Rates with Deep Learning

彩色多普勒超声心动图使心脏内的血流可视化。然而，有限的帧率妨碍了对心脏周期内血流速度的定量评估，从而影响了对室内充盈的全面分析。同时，深度学习在超声心动图数据后处理方面展现出了很有前途的结果，适用于各种应用。本研究探讨了使用深度学习模型从少量滤波I/Q信号中进行心内多普勒速度估计。我们采用监督学习方法，通过模拟基于患者的心脏彩色多普勒采集，并提出数据增强策略来扩大训练数据集。我们实现了基于卷积神经网络的架构。特别是，我们重点比较了U-Net模型和最近的ConvNeXt模型，以及评估实值与复值表示的差异。我们发现，两种模型均优于最先进的自相关方法，有效地减轻了混淆和噪声。我们没有观察到实数据和复杂数据使用之间的显着差异。最后，我们在体内和体外实验中验证了这些模型。所有模型产生的结果与基线相比具有可比性，并且对噪声更加鲁棒。ConvNeXt成为唯一在体内混淆样本上实现高质量结果的模型。这些结果表明，监督深度学习方法对于从少量采集中进行多普勒速度估计具有很大的兴趣。

本论文旨在探讨使用深度学习模型从少量滤波I / Q信号中进行心内多普勒速度估计，以解决心脏彩色多普勒超声心动图的帧速率限制问题。

本文提出了一种基于卷积神经网络的心脏多普勒速度估计方法，通过模拟基于患者的心脏彩色多普勒采集并提出数据增强策略来扩大训练数据集。同时，本文还比较了U-Net模型和最新的ConvNeXt模型，以及实数值和复数值表示之间的差异。

本文的实验设计使用了人工合成数据和真实数据，验证了模型的性能。结果表明，所提出的深度学习模型在解决多普勒速度估计中的混叠和噪声问题方面表现出色，并且比现有的自相关方法更加有效。ConvNeXt模型在处理实际混叠样本方面表现最佳。

与本文相关的研究包括使用深度学习模型进行心脏超声图像分割和分类的研究，以及使用深度学习模型进行心脏多普勒速度估计的其他研究。其中一些相关论文包括：“Cardiac Ultrasound Image Segmentation: A Survey”和“Deep Learning for Cardiac Motion Analysis: A Review”等。