組織の幻のレーザー超音波トモグラフィーをより速くするためのニューラルネットワーク

科学分野:

• バイオメディカルエンジニアリング
• アコースティック・イマージング (音響画像)
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.

背景:

• 音速 (SoS) マッピングは,組織の特徴づけと医療画像の改善に不可欠な局所的な音響特性情報を提供します.
• SoSマッピングのための従来の飛行時間 (ToF) トモグラフィーは,計算が密集しており,臨床応用を制限しています.
• より速く,より正確なSoS再構築方法を開発することは,高度な生体医学イメージングに不可欠です.

研究 の 目的:

• 全光学的に取得されたデータとコンボリューションニューラルネットワーク (CNN) を使用したSoSマップのトモグラフィック再構築のための新しいアプローチを提示します.
• レーザー超音波 (LU) データ取得システムとCNNベースの再構築を統合して,ほぼリアルタイムで高品質のイメージングを行う.
• 異質な構造のSoSマップの再構築におけるLU-CNNフレームワークのパフォーマンスを評価する.

主な方法:

• トモグラフィック再構築のためのシミュレートされた超音波伝播データで訓練されたCNNを開発しました.
• 全光データ取得のためのレーザー超音波 (LU) システムを統合しました.
• 異なるインクルージョンとSoS値を持つ組織模倣ファントムから得られたデータ.

主要な成果:

• CNNを使用して6秒未満で77mm × 77mmの領域のトモグラフィック再構築を達成しました.
• 直径6mmほどの小さなインクルージョンを持つ異質なファントムの正確なSoSマッピングが実証されました.
• 既定のイメージング方法と比較して,地面真相と比較して,幻とインクルージョンの平均サイズエラー5.73%を報告しました.

結論:

• 統合された LU-CNN フレームワークは,従来の SoS イメージングおよび再構築方法に対して,正確かつ迅速な代替手段を提供します.
• この方法は,生物医学的に重要なサンプルをリモートで柔軟に検査する大きな可能性を示しています.
• この高度なイメージング技術の臨床的適用性を完全に探求するために,さらなる in vivo 試験が必要である.