SMURFを用いた自己監視超音波Bモードストレインエラストグラフィ

科学分野:

• 医学画像検査 医学画像検査
• バイオメディカルエンジニアリング
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) というものです.

背景:

• 超音波ストレインエラストグラフィー (USE) は組織の特徴づけに不可欠ですが,横方向の位移の推定は依然として困難です.
• 臨床システムでは,Bモード画像のみが提供されることが多く,既存のUSEメソッドの適用を制限しています.
• 無監督のディープラーニングネットワーク (DLN) は大規模なデータセットを必要とし,Bモードデータはこれを臨床翻訳のために対処することができます.

研究 の 目的:

• 超音波ストレインエラストグラフィ (USE) のための自己学習マルチフレーム無監督リキュアントオールペアフィールドトランスフォーマー (SMURF) の使用を検討する.
• Bモード画像ループの無監督のディープラーニングを使用して,軸と横の張力テンソーのコンポーネントを推定する.
• SMURFの性能を,in vivoイメージングの伝統的な方法と比較して評価する.

主な方法:

• シミュレーションおよび実験的なBモードデータセットのベースライン監督でRAFTネットワークを再訓練しました.
• 実験的なBモードおよびin vivoデータセットに関するSMURFの無監督トレーニングを実施しました.
• 移動とストレスの推定のための4次元 (4D) コストボリュームを使用した.

主要な成果:

• 精密調整されたRAFTモデルと無監督のSMURFは,移動とストレスの見積もりにおいて,特に横向きの方向において,従来の方法と比較して,比較可能な正確さと精度を達成しました.
• SMURFは,GPUベースのLagrangian Carotid Strain Imaging (LCSI) 方法よりも78%の改善で,著しく速い処理時間を実証しました.
• この方法は,臨床試験でリアルタイムラグランジアンUSEの可能性を示した.

結論:

• SMURFのような無監督のディープラーニングテクニックは,BモードのデータセットでのUSEに有効です.
• SMURFは,USEにおける正確な,効率的な横向の位移とストレスの推定のための有望なソリューションを提供します.
• このアプローチにより,USEのより広範な臨床応用が容易になり,リアルタイム画像処理が可能になる可能性があります.