基于深度学习的高强度聚焦超声波损伤细分在多波长的光声学成像

科学领域:

• 医疗成像医学成像
• 生物医学工程 生物医学工程
• 人工智能在医学中的应用

背景情况:

• 光声学 (PA) 影像检测在高强度聚焦超声波 (HIFU) 剥离过程中检测组织变化.
• 多波长光声学成像 (MWPA) 通过分析多个光学波长来增强检测.
• 实时监测HIFU病变的形成对于治疗自动化至关重要.

研究的目的:

• 开发和评估一种深度学习模型,用于在MWPA图像中对HIFU诱导的病变进行细分.
• 为了比较深度学习的性能与传统的机器学习算法用于病变细分.
• 通过功能选择评估实时实施的可行性.

主要方法:

• 使用HIFU切除了ex vivo牛组织,随后使用MWPA进行成像.
• 一个卷积神经网络 (CNN) 被训练并测试了使用MWPA图像进行病变细分.
• 传统的机器学习算法用于比较分析.

主要成果:

• 基于CNN的方法在细分HIFU病变方面明显优于传统的机器学习算法.
• 特性选择使波长的数量减少,同时保持高分段性能.
• 该研究证明了深度学习的可行性,用于基于MWPA的实时HIFU损伤监测.

结论:

• 深度学习提供了一个高性能方法,用于在MWPA成像中对HIFU病变进行细分.
• 这种人工智能驱动的方法显示了对HIFU疗法的实时监测有很大的潜力.
• 开发的方法是实现自动化HIFU治疗的关键一步.