Improving Sparse Array Beamforming Performance Using Machine Learning Techniques (ISABEL)

Antecedentes

Este proyecto parte de los resultados del proyecto "Desarrollo de técnicas para imagen ultrasónica volumétrica basadas en coarray compressed sensing", COCOS. (DPI2016-80239-R).

Introducción

Una de las conclusiones del proyecto COCOS fue que el diseño de las aperturas dispersas era más eficiente cuando este proceso se consideraba dentro del concepto holístico que constituye el sistema de imagen. En este sentido, tanto la estrategia de adquisición como el proceso de conformación son claves para definir cual es la apertura que mejor se adecúa a los intereses del sistema; y el papel de la etapa de procesamiento del sistema es hacer consistente la consideración del coarray como una representación espacial de los frentes de onda que introducen las perturbaciones de la imagen.

En este caso, el procedimiento de adquisición viene determinado por la técnica de apertura sintética y dado que el interés del proyecto radica en la calidad, descartando pues aplicar exigencias de velocidad, optamos por una adquisición del tipo Full Matrix Capture. Es por ello que un requisito de la apertura es que deba ser capaz de generar un coarray extenso, con bajos niveles de redundancia y que no presente fuertes regularidades.

Objetivos

El conformador DAS da una estima de la reflectividad en un punto como el valor medio de las muestras involucradas. No obstante, existen circunstancias donde esa estima es ineficaz y en conscuencia genera lóbulos secundarios. Si distribuimos las muestras sobre el coarray, observamos que la reflectividad en realidad viene dada por un valor de sesgo que, dependiendo de las características propias de los transductores involucrados, afecta a todas las muestras de una forma más o menos similar.

El objetivo es diseñar una red neuronal capaz de identificar ese sesgo y generar así una estima robusta frente al patrón oscilante de perturbaciones que genera los lóbulos. Para ello, vamos a emplear el coarray como un mapa de las relaciones espaciales entre las muestras y, para un punto dado, definimos la entrada a nuestra red neuronal a partir de la proyección de las correspondientes muestras sobre este mapa.

Las consideraciones que se pueden hacer sobre este planteamiento son varias: primero, es necesario establecer cuales son las reglas de diseño de nuestra apertura dispersa, ya que existe una clara relación entre la distribución de elementos en el coarray y el resultado; segundo, el conjunto de aprendizaje debe adecuarse progresivamente a las características de la aplicación, en este caso la aplicación de interés es la imagen médica; tercero, la red neuronal resultante debe ser capaz de integrarse en el proceso de conformación, es preciso estudiar tanto soluciones software como hardware, anticipando así la implantación de esta tecnología en nuevos dispositivos diagnósticos.