Ny forskning viser at avvik fra normal blodstrøm i venstre ventrikkel kan være et tidlig tegn på hjertesykdom. Nøyaktig screening av blodstrøm i venstre ventrikkel kan hjelpe leger å gi passende behandling til pasienter før sykdommen utvikler seg, og potensielt redusere prevalensen av kardiovaskulær sykdom, noe vi ser øker i store deler av verden. Helt siden 1970-tallet har ultralydteknologi vært et hjelpsomt verktøy for kardiologer for bedre visualisering og måling av blodstrøm i kroppen, en noninvasiv teknologi som er både enkel å bruke og billig å produsere. Vektor Flow Imaging (VFI) er en av de nylige framstegene innen kardiologisk ultralyd som gir en ny lovende måte visualisere blodstrøm på som et hastighetsvektorfelt. VFI-målinger er likevel utsatt for støy og informasjonstap. Metoden har problemer med å fange opp alle de viktige egenskapene ved blodstrømmen, spesielt den laterale komponenten, siden måleutstyret virker best for radielle målinger. Dermed trengs gode regularisering- og rekonstruksjonsteknikker for å avdekke det fulle potensialet til VFI. Vi foreslår et dypt nevralt konvolusjonsnett (CNN) for å gjøre regularisering og rekonstruksjon av blodhastighetsmålinger. Nettverket er trent på et datasett som inneholder snitt fra et simulert 4D hastighetsfelt av en neonatal venstre ventrikkel. Simuleringen bruker Blood Speckle Tracking på data fra Fast Ultrasound Simulation in K-Space (FUSK), med et numerisk fluiddynamikkfantom som fasit. To modeller blir presentert; én trent på statiske felt ved bruk av 2D-konvolusjoner (2D U-Net), og én trent på en tidsserie av feltbilder ved bruk av 3D-konvolusjoner (3D U-Net). Modellene blir først trent og evaluert på det simulerte datasettet, og deretter trent og evaluert på et mindre datasett av ekte VFI-data av venstre ventrikkel fra pediatriske pasienter, basert på transfer learning. Begge modellene har fremragende ytelse på den simulerte dataen, der begge klarer å gi et detaljerte bilder av strømningsdynamikken, som går tapt ved bruk av en standardmetode. Når modellene blir evaluert på ekte data er 3D U-Net bedre enn 2D U-Net på å rekonstruere tapt data, noe som viser at tidsavhengig strømningsinformasjon er fordelaktig for læring fra spredt data. 3D U-Net viser seg å være bedre enn standardmetoden ettersom nettverket gir en høyere feltoppløsning og er dermed bedre på å gjengi viktige egenskaper i strømningsmønsteret. Modellen sliter derimot med å rekonstruere den laterale komponenten, sannsynligvis pga. en kombinasjon av utilstrekkelig diversitet i treningsdataen, samt begrensninger i modellens tapsfunksjon. Til slutt blir et generativt motstående nettverk (GAN) skapt for å undersøke om introduksjonen av en implisitt tapsfuksjon kan forbedre ytelsen. Når det blir evaluert på simulert data blir det vist at GAN kan generere realistisk utseende felter. Derimot er feltene avvikende fra sannheten. Dermed trenger GAN videre utvikling for å oppnå en skikkelig vurdering av de mulige fordelene av å bruke en slik modell.