基于可逆退化与恢复的压缩图像超分辨率研究

本文提出UltraSeP超声探头运动引导算法，通过序列感知自监督预训练方法（masked prediction task）学习个性化三维心脏结构特征，有效解决心脏超声扫描中个体差异大、操作复杂度高的难题。该研究为机器人辅助超声扫描和新手操作标准化平面采集提供了创新解决方案，在包含167万样本的大规模数据集上验证了其优越性。

　　

Highlight

• 我们提出首个技术公开且能覆盖多达十个关键标准平面的心脏探头运动引导模型（UltraSeP）

• 创新性地提出序列感知自监督预训练方法，增强模型从历史扫描序列中捕获个性化心脏结构信息的能力

• 在包含167万临床专家扫描样本的大规模数据集上的广泛实验表明，我们的方法在各种实验设置下始终优于基线方法

Discussion and Conclusion

本文提出了一种具有驱动自主机器人心脏超声或帮助新手扫描十个重要标准平面潜力的心脏探头运动引导模型。具体而言，我们引入了一种新颖的序列感知预训练方法，通过从过往序列中学习个性化心脏结构来增强模型能力，解决个体差异性问题。在包含167万样本的大规模专家扫描数据集上的广泛实验证明，与其它先进基线方法相比，我们提出的序列感知范式能有效降低探头引导误差。