2024年10月，《Ultrasonics》在线发表了成像设施总工艺师丁明跃团队的研究论文“Reconstruction of Reflection Ultrasound Computed Tomography with Sparse Transmissions Using Conditional Generative Adversarial Network”。论文提出了一种基于条件生成对抗网络（UCT-GAN）的方法，用于从稀疏的超声波传输数据中重建UCT反射图像。该方法的核心基于Pix2Pix框架，专门为处理稀疏数据进行了调整。架构包括一个生成网络（基于UNet）和一个判别网络，用于从稀疏数据生成高质量图像并区分真实图像和生成图像。论文使用了注意力机制和混合损失函数来提高网络的性能。
UCT-GAN从不同传输次数的未充分采样数据中重建的UCT图像
论文将提出的方法与其他去噪技术和深度学习方法进行了比较。UCT-GAN在PSNR、SSIM和CNR等指标上优于传统的去噪方法以及其他深度学习模型（如DnCNN-GAN、RED-GAN和UNet-GAN）。此外，UCT-GAN在不同的乳腺组织类型（脂肪组织与致密组织）中表现出一致的性能。UCT-GAN是一种有前景的基于深度学习的方法，可以从稀疏传输数据中高效重建反射UCT图像，具有很大的临床应用（特别是实时乳腺成像）潜力。
原文链接：https://www.sciencedirect.com/science/article/pii/S0041624X2400249X?via%3Dihub
