А.А. Егорчев1, Д.Е. Чикрин2

1, 2 Казанский (Приволжский) федеральный университет (г. Казань, Россия)
1 anton@egorchev.ru, 2 dmltry.kfu@ya.ru

Постановка проблемы. Ультразвуковая визуализация как метод получения измерительной информации подвержена появлению артефактов различной природы, существенно снижающих достоверность интерпретации снимков и точность последующих диагностических выводов. Среди распространённых искажений выделяется артефакт «двоение», возникающий при отражении ультразвуковой волны от границ с высоким акустическим импедансом и формирующий ложные зеркальные образы структур. Существующие подходы к устранению таких искажений либо требуют ручной разметки специалистом, либо сводятся к сквозной нейросетевой регрессии без промежуточной локализации, что ограничивает интерпретируемость результатов и затрудняет интеграцию в действующие программные конвейеры информационно-измерительных систем.

Цель. Разработать алгоритмическое обеспечение информационно-измерительной системы ультразвуковой визуализации для автоматизированного детектирования, локализации и коррекции артефакта двоения с применением нейросетевых методов.

Результаты. Предложен двухэтапный конвейер алгоритмов. На этапе детектирования выполнена каскадная фильтрация изображения с построением кандидатных областей. Сопоставление областей по признаковому представлению осуществлено свёрточной нейронной сетью на основе архитектуры MobileNet с использованием косинусной меры сходства. На этапе коррекции для восстановления изображения в выявленных областях применена генеративная сеть архитектуры AOT-GAN с последовательностью блоков агрегированных контекстных преобразований. С использованием экспериментальной проверки показана работоспособность разработанного конвейера на реальных ультразвуковых снимках.

Практическая значимость. Предложенное решение повышает качество и информативность данных ультразвуковой визуализации, допускает интеграцию в программный конвейер обработки данных информационно-измерительных систем и может быть адаптировано для устранения иных типов артефактов ультразвуковых изображений.

Егорчев А.А., Чикрин Д.Е. Алгоритмическое обеспечение для устранения артефакта двоения в информационно-измерительных системах ультразвуковой визуализации // Успехи современной радиоэлектроники. 2026. T. 80. № 7. С. 30–39. DOI: https://doi.org/10.18127/j20700784-202607-03

1. Feldman M.K., Katyal S., Blackwood M.S. US artifacts // Radiographics. 2009. Т. 29. № 4. С. 1179–1189.
2. Nasir A.I. Artifact in the Image of Ultrasound // Australian Journal of Basic and Applied Sciences. 2018. V. 12. № 12. P. 131–143.
3. Abu-Zidan F.M., Hefny A.F., Corr P. Clinical ultrasound physics // Journal of Emergencies, Trauma, and Shock. 2011. V. 4. № 4. P. 501–503.
4. Hliboký M., Magyar J., Bundzel M., Petrovčin M., Babič F. Artifact Detection in Lung Ultrasound: An Analytical Approach // Electronics. 2023. V. 12. № 7. P. 1551.
5. Hindi A., Peterson C., Barr R.G. Artifacts in diagnostic ultrasound // Reports in Medical Imaging. 2013. № 6. P. 29–48.
6. Wu W.T., Chang K.V., Mezian K., Naňka O., Yang Y.C., Hsu Y.C., Hsu P.C., Özçakar L. Artifacts in musculoskeletal ultrasonography: from physics to clinics // Diagnostics. 2020. V. 10. № 9. P. 645.
7. Quien M.M., Saric M. Ultrasound imaging artifacts: How to recognize them and how to avoid them // Echocardiography. 2018. V. 35. № 9. P. 1388–1401.
8. Baad M., Lu Z.F., Reiser I., Paushter D. Clinical significance of US artifacts // Radiographics. 2017. V. 37. № 5. P. 1408–1423.
9. Tchelepi H., Ralls P.W. Color comet-tail artifact: clinical applications //American Journal of Roentgenology. 2009. V.192. № 1. P. 11–18.
10. Oh S.H., Han H.Y., Kim H.J. Comet tail artifact on ultrasonography: is it a reliable finding of benign gallbladder diseases? // Ultrasonography. 2019. V. 38. № 3. P. 221.
11. Lee F.C.Y., Jenssen C., Dietrich C.F. A common misunderstanding in lung ultrasound: the comet tail artefact // Medical Ultrasonography. 2018. V. 20. № 3. P. 379–384.
12. Wang X., Liu D., Song J., Chen X., Yu Y. Quantifying lung ultrasound comets with a convolutional neural network: Initial clinical results // Computers in Biology and Medicine. 2019. V. 107. P. 39–46.
13. Avruch L., Cooperberg P.L. The ring-down artifact // Journal of Ultrasound in Medicine. 1985. V. 4. № 1. P. 21–28.
14. Tsai C.L., Chen W.J., Chang W.T., Wang H.P., Chen S.C., Hsu C.Y. Ring-down artefacts on abdominal sonography to predict pulmonary abnormalities in the emergency department // Emergency Medicine Journal. 2005. V. 22. № 10. P. 747–748.
15. Lucassen R.T., Jafari M.H., Moore N.M., Nelson B.P., Goldsmith A.J., Duhaime E.P., van Sloun R.J.G. Deep learning for detection and localization of B-lines in lung ultrasound // IEEE Journal of Biomedical and Health Informatics. 2023. V. 27. № 9. P. 4352–4361.
16. Cantero-Chinchilla S., Wilcox P.D., Croxford A.J. A deep learning based methodology for artefact identification and suppression with application to ultrasonic images // NDT & E International. 2022. V. 126. P. 102575.
17. Liu S., Wang Y., Yang X., Lei B., Liu L., Li S.X., Ni D., Wang T. Deep learning in medical ultrasound analysis: a review // Engineering. 2019. V. 5. № 2. P. 261–275.
18. Howell L., Ingram N., Lapham R., Morrell A., McLaughlan J.R. Deep learning for real-time multi-class segmentation of artefacts in lung ultrasound // Ultrasonics. 2024. V. 140. P. 107251.
19. Huh J., Khan S., Ye J.C. Ot-driven multi-domain unsupervised ultrasound image artifact removal using a single CNN // arXiv preprint arXiv:2007.05205. 2020.
20. Howard A.G., Zhu M., Chen B., Kalenichenko D., Wang W., Weyand T., Andreetto M., Adam H. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications // arXiv preprint arXiv:1704.04861. 2017.
21. Zeng Y., Fu J., Chao H., Guo B. Aggregated contextual transformations for high-resolution image inpainting // IEEE Transactions on Visualization and Computer Graphics. 2022. V. 29. № 7. P. 3266–3280.
22. Непомнящий О.В., Аль-Сагир М.М.И., Хайдукова В.Н., Шарова А.В., Котов С.А. Использование свёрточной нейронной сети и глубокого машинного обучения для анализа электрокардиограмм // Успехи современной радиоэлектроники. 2024. Т. 78. № 3. С. 70–77. DOI: 10.18127/j20700784-202403-08
23. Чикрин Д.Е., Смольникова К.Р., Галиуллин И.Г. Совместная работа: стандарты безопасности для коллаборативных роботов // Успехи современной радиоэлектроники. 2024. Т. 78. № 11. С. 34–40. DOI: 10.18127/j20700784-202411-04