SW-VEI-Net：せん断波粘弾性イメージングのための物理情報付き深層ニューラルネットワーク

科学分野:

• 生物医学工学
• 医用画像処理
• 人工知能

背景:

• せん断波エラストグラフィー（SWE）を用いた定量的粘弾性イメージングは、複雑な波の物理学と再構成方法の限界により課題に直面しています。
• 弾性および粘性係数の両方の正確な評価は、肝線維症のような状態の診断に不可欠です。

研究 の 目的:

• 粘弾性係数および粘性係数の同時再構成のための物理情報付きニューラルネットワーク（PINN）であるSW-VEI-Netを開発および検証すること。
• SWEの精度、解釈可能性、および臨床的適用性を向上させること。

主な方法:

• 粘弾性波方程式とデュアル損失関数を統合したデュアルネットワークPINNであるSW-VEI-Netを開発しました。
• 組織模倣ファントム、ラット肝線維症モデル、および臨床データでモデルを検証しました。
• SWENetおよび分散フィッティング（DF）を含む最先端の方法と比較しました。

主要な成果:

• SW-VEI-Netは、SWENetと比較してせん断弾性率再構成においてより高い精度を達成しました。
• SW-VEI-Netからの粘弾性パラメータマップは、堅牢性の向上を伴うDFと比較して同等の結果を示しました。
• SW-VEI-Netは、SWENetおよびDFと比較して、肝線維症の病期分類（≥F2でAUC 0.85、=F4で0.91）で優れたパフォーマンスを示しました。
• 健常ボランティアにおける市販の超音波システムとの強い一致が観察されました。

結論:

• SW-VEI-Netは、弾性および粘性係数を正確かつ同時に定量化することにより、SWEにおいて顕著な進歩を提供します。
• この方法は、肝線維症および悪性病変の早期検出に大きな臨床的可能性を示しています。
• 深層学習と波の物理学を統合することにより、SWEの能力が向上し、正確な粘弾性バイオマーカーマッピングが可能になります。