Качество ультразвуковой визуализации часто ограничено низким пространственным разрешением из-за особенностей датчиков и среды передачи сигнала. Для решения этой проблемы активно применяются нейронные сети, обладающие высокой аппроксимирующей способностью. Однако большинство существующих методов обучения с учителем плохо подходят для медицины из-за нехватки парных обучающих данных (эталонных снимков высокого качества). Авторы предлагают использовать архитектуру CycleGAN с самообучением, которая обеспечивает визуальную достоверность и высокое качество восстановления деталей без использования размеченных наборов данных.
Работа посвящена повышению пространственного разрешения ультразвуковых снимков с помощью нейросетей. Предложенный метод на базе CycleGAN использует самообучение, что решает проблему нехватки качественных парных данных для тренировки моделей. Алгоритм значительно улучшает детализацию УЗИ-изображений, сохраняя их визуальную достоверность для медицинской диагностики.