相关实验视频
Updated: Jul 26, 2025

08:28
Monitoring the Wall Mechanics During Stent Deployment in a Vessel
Published on: May 8, 2012
9.3K
基于深度学习的无监督移位估计用于血管弹性成像应用程序
Grigorios M Karageorgos1, Pengcheng Liang1, Nima Mobadersany2
1Biomedical Engineering Department, Columbia University, New York, NY, United States of America.
Physics in medicine and biology
|June 22, 2023
概括
一种新的深度学习方法增强了基于超声波的动脉壁位移估计,以更好地评估心血管健康. 这种技术提高了绘制动脉硬度和脉冲波速度的准确性.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 心血管研究研究心血管研究
背景情况:
- 动脉壁硬度是心血管健康的关键指标.
- 超声波弹性成像为评估动脉硬性提供了一种非侵入性方法.
- 精确的动脉壁位移估计对于这些成像技术至关重要.
研究的目的:
- 开发一种无监督的深度学习方法,以改进动脉壁位移估计.
- 为了提高动脉硬度和脉冲波速度 (PWV) 映射的质量.
- 为了验证该方法使用幻影实验和体内体验的人类动脉.
主要方法:
- 采用了一种无监督的深度学习模型,该模型是从图像注册技术中改造出来的.
- 模型使用超声波射频信号和B模式图像进行训练,具有不同的损失函数,包括平均平方误差 (MSE).
- 基于信号与噪声比 (SNR),对比与噪声比 (CNR) 和脉冲波速度 (PWV) 的准确性来评估性能.
主要成果:
- 在MSE的B模式图像上的训练产生了最高的SNR (30.36 ± 1.14 dB).
- 使用MSE对射频信号的训练导致最高的CNR (32.84±1.89dB).
- 经过射频训练的模型准确地绘制了PWV,其平均相对误差 (MREPWV) 在幻体中为3.32 ± 1.80%,在体内为3.86 ± 2.69%,R值分别为0.97和0.95.
结论:
- 提出的深度学习方法显著改善了动脉壁位移估计.
- 该方法在幻影研究和体内研究中都显示出高准确性.
- 这种技术有望推进血管弹性成像和心血管评估.
更多相关视频
09:29Using Digital Image Correlation to Characterize Local Strains on Vascular Tissue Specimens
Published on: January 24, 2016
9.5K
09:15Displacement Analysis of Myocardial Mechanical Deformation DIAMOND Reveals Segmental Heterogeneity of Cardiac Function in Embryonic Zebrafish
Published on: February 6, 2020
5.0K