在体内超声波局部化显微镜的相位偏差校正使用时空复杂估值神经网络

科学领域:

• 生物医学成像技术 生物医学成像技术
• 医学物理 医学物理
• 人工智能在医学中的应用

背景情况:

• 超声波定位显微镜 (ULM) 提供了高分辨率的微血管映射.
• 跨骨ULM受到骨诱导的异常阻碍,导致局部化错误.
• 现有的方法在精确的偏差校正方面扎,以进行体内透膜成像.

研究的目的:

• 开发和验证一种深度学习方法,用于纠正ULM中的跨状异常.
• 为了利用复杂值的卷积神经网络 (CV-CNNs) 进行异常函数检索.
• 通过骨偏差校正来提高微血管成像分辨率和清晰度.

主要方法:

• 使用具有复杂值的卷积神经网络 (CV-CNNs) 与3D时空卷积.
• 在一个现实的小鼠大脑模型中,在模拟的微气泡轨道上训练了网络.
• 将CV-CNN性能与使用微气泡轨道数据的基于连贯性的方法进行比较.

主要成果:

• 通过CV-CNN的方法,成功地检索出了对增强ULM成像的偏差函数.
• 血管重建显示,在CV-CNN纠正后,血管变得更利,并增加了血管.
• 获得显著的分辨率改善:年轻小鼠25.8%,老年小鼠13.9%.

结论:

• 使用CV-CNNs的深度学习提供了一种强大的方法来纠正ULM中的跨状偏差.
• 该方法证明了对体内小鼠大脑数据的概括性,并改善了成像结果.
• 这项工作扩展了复杂值卷曲在生物医学成像和跨ULM中的应用.