МЕТОДИ СУПЕРРЕЗОЛЮЦІЇ ДЛЯ ПОКРАЩЕННЯ ДЕТАЛІЗАЦІЇ УЛЬТРАЗВУКОВИХ ЗОБРАЖЕНЬ
DOI:
https://doi.org/10.32689/maup.it.2025.1.2Ключові слова:
ультразвукова діагностика, просторове розрізнення, клінічна інтерпретованість, трансформерна модель, нейронна мережаАнотація
У роботі досліджено можливості застосування методів суперрезолюції для покращення просторової деталізації ультразвукових зображень у медичній діагностиці. Актуальність теми зумовлена обмеженнями апаратної роздільної здатності традиційних ультразвукових систем, що лімітує точність візуалізації дрібних анатомічних структур та ускладнює постановку клінічного діагнозу. Метою статті є комплексне обґрунтування ефективності та доцільності впровадження методів суперрезолюції до ультразвуковоїдіагностики шляхом системного аналізу їхніх технічних характеристик, механізмів підвищення якості реконструкції зображень та чинників, що впливають на можливості клінічного використання. Методологію дослідження сформовано на основі узагальнення сучасних підходів до оптимізації архітектур моделей, підготовки вхідних даних, попереднього навчання та клінічної валідації результатів. Особливу увагу приділено порівняльному аналізу переваг трансформерних моделей, як-от SwinIR, у контексті медичної візуалізації. У роботі охарактеризовано основні фактори втрати просторової деталізації в УЗ-зображеннях, систематизо- вано класифікацію методів суперрезолюції за технічними параметрами, проаналізовано організаційні бар’єри впровадження алгоритмів до клінічного середовища, а також розроблено обґрунтовані рекомендації щодо інтеграції таких рішень до медичної інфраструктури. У результаті дослідження встановлено, що нейронні моделі суперрезолюції, зокрема архітектури на базі згорткових мереж та трансформерів, мають високий потенціал підвищення якості УЗ-зображень без потреби в оновленні апаратного забезпечення. Виявлено ключові проблеми, пов’язані з нестачею маркованих УЗ-датасетів, складністю дотримання стандартів DICOM і PACS, а також етичними аспектами медичної відповідальності. У роботі доведено, що успішне впровадження методів суперрезолюції потребує адаптації алгоритмів до специфіки медичних систем, поетапної інтеграції до наявних ПЗ-рішень, збереження контролю лікаря та забезпечення відповідності нормативним вимогам. Наукову новизну становить комплексний аналіз способів підвищення ефективності алгоритмів суперрезолюції в ультразвуковій візуалізації та визначення напрямів їхнього оптимального використання в медичній практиці.
Посилання
Cammarasana S., Nicolardi P., Patanè G. Super-resolution of 2D ultrasound images and videos. Medical & Biological Engineering & Computing. 2023. Vol. 61, № 11. P. 2511–2526. DOI: https://doi.org/10.1007/s11517-023-02818-x (date of access: 25.03.2025).
Chen Q. et al. Current Development and Applications of Super-Resolution Ultrasound Imaging. Sensors. 2021. Vol. 21, no. 7. P. 2417. URL: https://doi.org/10.3390/s21072417 (date of access: 25.03.2025).
Choi W., Kim M., HakLee J., Kim J., BeomRa J. Deep CNN-Based Ultrasound Super-Resolution for High-Speed High-Resolution B-Mode Imaging. 2018 IEEE International Ultrasonics Symposium (IUS). 2018. P. 1–4. DOI: https://doi.org/10.1109/ULTSYM.2018.8580032 (date of access: 25.03.2025).
Coinmonks on Medium: website. 2020. URL: https://medium.com/coinmonks/review-srcnn-super-resolution-3cb3a4f67a7c (date of access: 25.03.2025).
Couture O. et al. Ultrasound Localization Microscopy and Super-Resolution: A State of the Art. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control. 2018. Vol. 65, no. 8. P. 1304–1320. URL: https://doi.org/10.1109/tuffc.2018.2850811 (date of access: 25.03.2025).
Ghosh D., Hoyt K. Advancements in Three‐Dimensional Super‐Resolution Ultrasound Imaging. Journal of Ultrasound in Medicine. 2025. URL: https://doi.org/10.1002/jum.16682 (date of access: 25.03.2025).
Hosseinpour M., Behnam H., Shojaeifard M. Temporal super resolution of ultrasound images using compressive sensing. Biomedical Signal Processing and Control. 2019. Vol. 52. P. 53–68. URL: https://doi.org/10.1016/j.bspc.2019.03.003 (date of access: 25.03.2025).
Liang J., Cao J., Sun G., Zhang K., Van Gool L., Timofte R. SwinIR: Image restoration using Swin Transformer. Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021. P. 1833–1844. DOI: https://doi.org/10.48550/arXiv.2108.10257 (date of access: 25.03.2025).
Liu H. et al. Progressive Residual Learning with Memory Upgrade for Ultrasound Image Blind Super-resolution. IEEE Journal of Biomedical and Health Informatics. 2022. P. 1. URL: https://doi.org/10.1109/jbhi.2022.3142076 (date of access: 25.03.2025).
Liu H., Liu J., Hou S., Tao T., Han J. Perception consistency ultrasound image super-resolution via self-supervised CycleGAN. Neural Computing and Applications. 2023. Vol. 35, № 5. P. 12331–12341. DOI: https://doi.org/10.1007/s00521-020-05687-9 (date of access: 25.03.2025).
Liu T., Han S., Xie L., Xing W., Liu C., Li B., Ta D. Super-resolution reconstruction of ultrasound image using a modified diffusion model. Physics in Medicine & Biology. 2024. Vol. 69, № 12. Article ID 125026. DOI: https://doi.org/10.1088/1361-6560/ad4086 (date of access: 25.03.2025).
Radiological Society of North America (RSNA): website. 2024. URL: https://www.rsna.org/annual-meeting (date of access: 25.03.2025).
Sawant A., Kulkarni S. Ultrasound image enhancement using super resolution. Biomedical Engineering Advances. 2022. Vol. 3, № 1. Article ID 100039. DOI: https://doi.org/10.1016/j.bea.2022.100039 (date of access: 25.03.2025).
Shu Y., Han C., Lv M., Liu X. Fast Super-Resolution Ultrasound Imaging With Compressed Sensing Reconstruction Method and Single Plane Wave Transmission. IEEE Access. 2018. Vol. 6, № 1. P. 39298–39306. DOI: https://doi.org/10.1109/ACCESS.2018.2853194 (date of access: 25.03.2025).
Song H., Yang Y. Super-resolution visualization of subwavelength defects via deep learning-enhanced ultrasonic beamforming: A proof-of-principle study. NDT & E International. 2020. Vol. 116. P. 102344. URL: https://doi.org/10.1016/j.ndteint.2020.102344 (date of access: 25.03.2025).
Temiz H., Bilge H. S. Super Resolution of B-Mode Ultrasound Images With Deep Learning. IEEE Access. 2020. Vol. 8, № 1. P. 78808–78820. DOI: https://doi.org/10.1109/ACCESS.2020.2990344 (date of access: 25.03.2025).
van Sloun R. J. et al. Super-resolution Ultrasound Localization Microscopy through Deep Learning. IEEE Transactions on Medical Imaging. 2020. P. 1. URL: https://doi.org/10.1109/tmi.2020.3037790 (date of access: 25.03.2025).
Zhang Y., Lu S., Peng C., Zhou S., Campo I., Bertolotto M., Li Q., Wang Z., Xu D., Wang Y., Xu J., Wu Q., Hu X., Zheng W., Zhou J. Deep learning-based super-resolution US radiomics to differentiate testicular seminoma. Oncology. 2023. Vol. 13, № 1. Article ID 1090823.