In der Simulation Pipeline werden simulierte Datensätze für das Training während des Netzwerktrainings erzeugt, indem pro Epoche 10.000 Frames erstellt werden, wobei jedes Frame nur einmal für das Training verwendet wird. Die LSGAN-Technologie wird angewendet, um realistische Modelle für den Ultraschallbildbildungsprozess zu erstellen, die LSGAN-generierte MB-Signale und datengestütztes Ultraschallhintergrundgeräusch integrieren. Diese Technologie hat spezielle Anwendungen in der medizinischen Bildgebung, die es ermöglicht, die Bilder realistischer zu machen und die Verteilung der Trainingsdaten robuster zu erlernen. Um die reale Ultraschalldaten zu generalisieren und den Ultraschallbildbildungsprozess zu simulieren, werden verschiedene Technologien wie Patches, trainierte LSGAN und ein synthetischer Datensatz erzeugt.
Zur lokalen Datenerfassung im LSGAN-Training werden quadratische Patches von in vivo-Ultraschallbildern extrahiert und zur Erstellung simulierter Bilder verwendet. Jedes Patch enthält ein einzelnes MB-Signal, das die Spitzenposition identifiziert. Die jeweilige Position wird durch den maximalen Intensitätswert definiert. Die Bewegung des Mikrobläschenflusses innerhalb der Behälter wird mit einem Bewegungsmodell modelliert, das zufällige Bewegungen der Mikrobläschen berücksichtigt. Die Bewegungsrichtung und die Helligkeitsstufe jedes Mikrobläschen werden zufällig festgelegt. Um realistisches elektronisches Rauschen zur Simulation hinzuzufügen, wird die Rician-Verteilung als Rauschmodell verwendet. Die Standardabweichung des additiven Rauschens wird experimentell geschätzt.
Das DECODE-Netzwerk ist entscheidend für die genaue und robuste Lokalisierung von Mikrobläschen in einem probabilistischen Framework. Es ermöglicht eine simultane Detektion und Lokalisierung von Mikrobläschen unter Berücksichtigung verschiedener Aspekte, um herkömmliche Lokalisierungsmethoden zu übertreffen. Das Netzwerk wurde trainiert, um den gesamten Verlust zu minimieren, bestehend aus der Anzahlverlust, Lokalisierungsverlust und Hintergrundverlust. Der Lokalisierungsverlust ist so gestaltet, dass die Ausgabevariablen des Gaußschen Mischmodells optimiert werden, um die Posterior-Verteilung in Bezug auf die MB-Positionen und die Helligkeit anzunähern. Die DECODE-Netzwerkarchitektur zeigt eine klare Struktur mit einem Rahmenanalyse- und einem Zeitkontext-Netzwerk.
In vivo-Ultraschallbilder des CAM-Modells, des Rattenhirns und der funktionellen ULM wurden für die Validierung der Lokalisierungsmethoden verwendet. Unter Verwendung von verschiedenen Konzentrationsstufen von Mikrobläschen wurden Daten durch Bildverarbeitung und Zugriff auf die Ground-Truth-Positionen lokalisierter Zentren generiert. Die Experimente wurden durch Computer-Algorithmen ausgewertet, und keine Daten wurden ausgeschlossen. Die Studie wurde erstellt, um eine breite Palette von Mikrobläschenkonzentrationen zu berücksichtigen.