高性能实时超声成像算法研究与实现

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    61802130
  • 项目类别：
    青年科学基金项目
  • 资助金额：
    22.0万
  • 负责人：
    陈俊颖
  • 依托单位：
    华南理工大学
  • 学科分类：
    F0214.新型计算及其应用基础
  • 结题年份：
    2021
  • 批准年份：
    2018
  • 项目状态：
    已结题
  • 起止时间：
    2019-01-01 至2021-12-31

项目摘要

Advanced ultrasonic imaging algorithms can provide higher ultrasonic image quality, but in the practical applications of ultrasonic imaging algorithms, the computational capability of ultrasonic imaging equipments can not fulfill the real-time imaging requirements of advanced ultrasonic imaging algorithms, as a result advanced ultrasonic imaging algorithms can not be used in the common ultrasonic imaging equipments in real time. In order to solve the real-time imaging bottleneck problem of advanced ultrasonic imaging algorithms in ultrasonic imaging equipments, this project studies the deep spatial parallelization and in-depth algorithm transformation of advanced ultrasonic imaging algorithms using high-performance computing theory and technology, and studies the design of fast ultrasonic imaging algorithms without sacrificing ultrasonic image quality, as well as the optimization of the fast ultrasonic imaging algorithms within the acceptable image quality range and image quality growth saturation region. This project considers the design and implementation of high-performance ultrasonic imaging algorithms from a new point of view, puts forward new fast ultrasonic imaging algorithms, and conducts algorithm optimization and real-time verification on the high-performance computing devices, applying high-performance ultrasonic imaging algorithms in the real scene, which helps to improve the diagnostic rate of medical ultrasound and the success rate of the ultrasonic guidance treatment. This project has two major characteristics: to ensure high-quality ultrasonic images as the basic premise; to improve the speed of ultrasonic imaging, displaying high-quality ultrasonic images on high-performance computing platform in real time.
先进超声成像算法能提供更高的超声图像质量，但是在超声成像算法的现实应用中，超声成像设备的计算能力不能满足先进超声成像算法的实时成像需求，以致于先进超声成像算法无法在常见超声成像仪器中实时使用。为了解决先进超声成像算法在超声成像仪器中的实时成像瓶颈问题，本项目研究运用高性能计算理论和技术对先进超声成像算法进行深度空间并行化和深入算法改造，并研究设计不牺牲超声图像质量的快速超声成像算法，以及在可接受的图像质量范围和图像质量增长饱和区内优化快速超声成像算法。本项目从一个崭新的角度去思考高性能超声成像算法的设计和实现问题，提出新的快速超声成像算法，并在高性能计算设备上进行算法改造优化和实时验证，将高性能超声成像算法应用于现实场景中，帮助提高医学超声检测的确诊率和超声引导治疗的成功率。本项目研究有两大特色：以保证高质量超声图像为基本前提；提高超声成像速度，在高性能计算平台上实时呈现高质量超声图像。

结项摘要

先进超声成像算法能提供更高的超声图像质量，但是在超声成像算法的现实应用中，超声成像设备的计算能力不能满足先进超声成像算法的实时成像需求，以致于先进超声成像算法无法在常见超声成像仪器中实时使用。本项目从软硬件层面解决先进超声成像算法的实时成像瓶颈问题，在算法层面设计出不牺牲超声图像质量的快速超声成像算法，设计实时算法改造优化框架并在高性能计算设备上开展实验验证；结合深度神经网络，使超声成像的图像质量超越算法参数的既有限制，实现超声图像质量的提升，同时由于深度神经网络的推理时间短，可以有效实现快速超声成像。本项目在以下几个方面取得相关研究成果：多算子最小方差自适应波束形成算法及GPU共性加速框架、应用于扫描线和合成孔径成像的反向延迟叠加算法及软硬件加速、超声成像代码自动并行化算法及软件、基于深度神经网络的快速超声成像算法、结合精准超声图像解剖信息优化快速成像算法、超声图像生成和超声视频超分辨率重建算法、以及轻量级卷积核设计及深度神经网络加速。本项目研究的快速高清医学超声成像算法，能够实时形成高质量超声图像，可以应用于实时高清医学超声成像系统和手持便携式医学超声成像系统的构建。

项目成果

期刊论文数量（5）
专著数量（0）
科研奖励数量（0）
会议论文数量（5）
专利数量（4）
Multi-operator Minimum Variance Adaptive Beamforming Algorithms Accelerated with GPU
GPU 加速的多运营商最小方差自适应波束形成算法
  • DOI：
    10.1109/tmi.2020.2982239
  • 发表时间：
    2020
  • 期刊：
    IEEE Transactions on Medical Imaging
  • 影响因子：
    10.6
  • 作者：
    Junying Chen;Jinhui Chen;Renxin Zhuang;Huaqing Min
  • 通讯作者：
    Huaqing Min
A review of thyroid gland segmentation and thyroid nodule segmentation methods for medical ultrasound images
医学超声图像甲状腺分割和甲状腺结节分割方法综述
  • DOI：
    10.1016/j.cmpb.2020.105329
  • 发表时间：
    2020-03-01
  • 期刊：
    COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE
  • 影响因子：
    6.1
  • 作者：
    Chen, Junying;You, Haijun;Li, Kai
  • 通讯作者：
    Li, Kai
Mask Dynamic Routing to Combined Model of Deep Capsule Network and U-Net
将动态路由掩码为深度胶囊网络和U-Net的组合模型
  • DOI：
    10.1109/tnnls.2020.2984686
  • 发表时间：
    2020-07-01
  • 期刊：
    IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS
  • 影响因子：
    10.4
  • 作者：
    Chen, Junying;Liu, Zhan
  • 通讯作者：
    Liu, Zhan
Graph-Based Information Block Detection in Infographic with Gestalt Organization Principles
具有格式塔组织原则的信息图中基于图的信息块检测
  • DOI：
    10.1109/tvcg.2021.3130071
  • 发表时间：
    2021-11
  • 期刊：
    IEEE Transactions on Visualization and Computer Graphics
  • 影响因子：
    5.2
  • 作者：
    Jie Lin;Yi Cai;Xin Wu;Jianwei Lu
  • 通讯作者：
    Jianwei Lu
DualConv: Dual Convolutional Kernels for Lightweight Deep Neural Networks
DualConv：用于轻量级深度神经网络的双卷积核
  • DOI：
    10.1109/tnnls.2022.3151138
  • 发表时间：
    2022-02
  • 期刊：
    IEEE Transactions on Neural Networks and Learning Systems
  • 影响因子：
    10.4
  • 作者：
    Jiachen Zhong;Junying Chen;Ajmal Mian
  • 通讯作者：
    Ajmal Mian

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

工程合同对承包方合作行为的影响研究: 信任的中介作用
  • DOI：
    --
  • 发表时间：
    2015
  • 期刊：
    工程管理学报
  • 影响因子：
    --
  • 作者：
    张水波;陈俊颖;胡振宇
  • 通讯作者：
    胡振宇

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码