Réseaux neuronaux convolutifs complexes pour l'imagerie échographique rapide par ondes divergentes

International audienceDiverging wave (DW) imaging produces ultrasound images at high frame rate (ultrafast) but of low quality. Conventional high-quality DW imaging relies on the coherent compounding of multiple consecutive steered emissions, reducing the gain in frame rate. Reconstruc-tion using neural networks leads to high-quality images with less emissions than usual techniques. We recently described such a network, calledID-Net. We derive here a complex equivalent of this network, using subsampled In Phase/Quadrature data (IQ) instead of real radiofrequencydata (RF). We experimentally show that a network using complex data is more efficient if it explicitly takes into account the relations betweenreal and imaginary parts of the data. Such a network is as good as the network trained on RF data, with a training time 5 time shorter.L'imagerie par Onde Divergente (OD) produit des images ultrasonores à une fréquence d'acquisition élevée (ultrarapide) mais de faible qualité. L'imagerie OD conventionnelle de haute qualité repose sur la composition cohérente de plusieurs émissions consécutives, ce qui réduit le gain en fréquence d'acquisition. La reconstruction d'image par réseaux de neurones convolutifs permet d'obtenir une image de haute qualité avec moins d'émissions que les méthodes traditionnelles. Nous avons récemment décrit un tel réseau, appelée ID-Net. Nous dérivons dans ce travail l'équivalent complexe de ce réseau, fonctionnant sur des données en phase/quadrature (IQ) sous-échantillonnées plutôt que les données réelles radiofréquences (RF). Nous démontrons expérimentalement qu'un réseau traitant des données complexes est plus efficace s'il tient compte explicitement des relations entre les parties réelles et complexes des données. Un tel réseau produit des résultats équivalents au réseau entraîné avec les données RF, avec un temps d'entraînemet réduit d'un facteur 5