超声检测以其实时、方便、无创的特点，成为临床诊断各种疾病的有力工具。然而，现有的超声波束形成及其相关方法在提高成像质量和成像速度以满足临床应用需求方面面临着巨大的挑战。超声信号数据最显著的特征是其时空特征。由于大多数信号都是复值信号，直接使用实值网络进行处理会导致相位失真和输出不准确。该研究提出了一个复值卷积门控递归(CCGR)神经网络来处理具有上述特性的超声分析信号。与传统的实值方法相比，所提出的复值网络运算提高了复值超声信号的波束形成精度。此外，所提出的卷积和递归神经网络的深度融合为提取丰富和信息丰富的超声信号特征做出了巨大贡献。实验结果表明，它的成像质量优于现有的最先进的方法。更重要的是，其超快的处理速度仅为每张图像0.07秒，具有相当大的临床应用潜力。
DOI: 10.1109/tnnls.2024.3384314
