相关实验视频
Updated: Jul 15, 2025
05:57
Blood Flow Imaging with Ultrafast Doppler
Published on: October 14, 2020
7.7K
超快超声波血流测速仪用于深度学习的动脉
Bingbing He1, Jian Lei1, Xun Lang1
1Department of Electronic Engineering, Information School, Yunnan University, Kunming 650091, China.
Artificial intelligence in medicine
|October 2, 2023
概括
使用一维卷积神经网络 (1DCNN) 的新深度学习方法显著提高了血液流速测量的准确性和速度. 这种先进的技术通过克服传统方法的局限性,提高了早期动脉样硬化的诊断.
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:
- 精确的血液流速测量对于诊断动脉样硬化至关重要.
- 现有的自相对应速度测量方法与近壁信号和低通问题作斗争,降低了准确性.
- 目前的方法往往错误地过重要血流数据,影响诊断可靠性.
研究的目的:
- 开发一种新的深度学习估计器,用于增强血流速度测量.
- 使用一维卷积神经网络 (1DCNN) 结合杂乱过和血流速度估计.
- 为了提高血液流速测量的准确性和效率,以便更好地诊断血管疾病.
主要方法:
- 使用一维卷积神经网络 (1DCNN) 进行自适应信号处理.
- 通过1D卷积采用亲缘转换来提取血流信号.
- 应用了线性转换来将提取的信号转换为血液流速测量.
- 通过模拟数据和体内 carotid 动脉测量验证了该方法.
主要成果:
- 与高通过 (HPF) 和奇数值分解 (SVD) 相比,1DCNN估计器实现了正常化根平均平方误差 (NRMSE) 的显著降低.
- NRMSE的减少分别为前进流的54.99%和53.50%,反向流的70.99%和69.50%.
- 在体内研究显示,在五个受试者中,适合性改善了8.72%和4.74%.
- 估计时间大幅缩短,1DCNN只占HPF时间的2.91%和SVD时间的12.83%.
结论:
- 提出的基于1DCNN的深度学习估计器为血液流速测量提供了卓越的准确性和效率.
- 这种方法有效地克服了传统技术的局限性,改善了信号提取和速度估计.
- 这种估计器提供的增强诊断信息具有在血管疾病检测中的临床应用的巨大潜力.
更多相关视频
10:41Analysis of Cerebral Vasospasm in a Murine Model of Subarachnoid Hemorrhage with High Frequency Transcranial Duplex Ultrasound
Published on: June 3, 2021
3.7K
12:00Non-invasive Parenchymal, Vascular and Metabolic High-frequency Ultrasound and Photoacoustic Rat Deep Brain Imaging
Published on: March 2, 2015
12.2K
