Ultrasound image processing using deep generative models

Abstract

Speckle er blant de mest forstyrrende elementene i medisinske ultralydbilder. Fenomenet forvrenger signalet som legene ønsker å undersøke og gjør det vanskeligere å oppdage små somatiske anomalier. Dette prosjektet søker å fjerne speckle fra ultralydbilder. Paradoksalt nok gjøres dette ved først å lære StyleGAN2 å generere realistiske ultralydbilder med speckle. Deretter optimaliseres generatorens støy-parametre for å generere speckle-frie bilder.

Som vist i dette prosjektet, kan StyleGAN2 også brukes for å forstørre dataset (dataset augmentation) for å skape realistisk utseende ultralydbilder. Slike datasetforstørrelser kan være nyttige dersom forskere ønsker å anskaffe plausible ultralydbilder uten å måtte utføre tidkrevende undersøkelser på virkelige pasienter.

One of the main distortions that reduce the quality of medical ultrasound images, is the speckle pattern. This phenomenon corrupts the signal that the doctors want to inspect and makes it harder to detect small somatic anomalies. Therefore, this project aims to remove speckle from ultrasound images. Paradoxically, this is done here by firstly teaching StyleGAN2 to generate realistic speckled images and secondly by optimizing the generator's noise parameters to generate speckle-free images.

As shown in this project, StyleGAN2 can also assist in the challenge of dataset augmentation for the creation of realistically looking medical ultrasound images. Such dataset augmentation may allow researchers to obtain new plausible images without medical intervention on new patients.