Red de redes neuronales bayesianas 3D acelerada para el seguimiento de fases con selección óptima de subregiones para...

Área de la Ciencia:

• Óptica Biomédica
• Imagenología Médica
• Biología Computacional

Sus antecedentes:

• La descorrelación de fase limita el rango dinámico de la elastografía de coherencia óptica sensible a la fase (PhS-OCE).
• El seguimiento preciso de los desplazamientos de nivel de píxel 3D es crucial para analizar la biomecánica de los tejidos.

Objetivo del estudio:

• Desarrollar un método novedoso para superar la descorrelación de fase en 3D-PhS-OCE.
• Mejorar la eficiencia computacional y la precisión del seguimiento de deformaciones en 3D-PhS-OCE.

Principales métodos:

• Se desarrolló una red neuronal bayesiana (BNN) tridimensional (3D).
• Se integró un enfoque optimizado de determinación del tamaño de la subregión para ajustar automáticamente el tamaño de la subregión de coincidencia.
• La BNN utilizó computación paralela para un procesamiento rápido.

Principales resultados:

• La BNN 3D propuesta con determinación óptima del tamaño de la subregión supera eficazmente la descorrelación de fase.
• El método permite el seguimiento rápido de los desplazamientos de nivel de píxel 3D incluso con grandes deformaciones.
• La eficiencia computacional mejoró aproximadamente un 24% en comparación con la BNN 3D empírica y 26 veces en comparación con el método PVC.

Conclusiones:

• El novedoso enfoque 3D-BNN mejora significativamente el rendimiento de 3D-PhS-OCE.
• Este método ofrece una solución más eficiente y precisa para analizar la deformación de los tejidos.
• La determinación optimizada de la subregión contribuye a mejorar la velocidad computacional y las capacidades de seguimiento.