卷积神经网络的设计和验证,用于快速,无模型的血流成像与多次曝光斑点成像

科学领域:

• 生物医学光学 生物医学光学
• 医学成像医学成像
• 机器学习在医学中的应用.

背景情况:

• 与单次曝光方法相比,多次曝光斑点成像提高了血液流量量测量的准确性.
• 目前的血液流量映射依赖于像素式非线性拟合,这是计算密集的,缺乏通用数学模型.
• 这些局限性阻碍了实时成像,并要求对不同类型的船只进行模型调整.

研究的目的:

• 评估一种使用卷积神经网络 (CNN) 的无模型机器学习方法,作为血流绘图的传统非线性拟合的替代方案.
• 评估CNN在处理多次曝光斑点成像数据方面的性能.
• 为了确定CNN是否能够实现实时相对血流映射.

主要方法:

• 一个卷积神经网络被设计和训练使用微流体实验的注释斑点对比数据.
• 训练有素的CNN被用来从多次曝光斑点成像数据生成血液流动图.
• 将CNN方法的性能与使用体外和体外数据的传统非线性拟合方法进行了比较.

主要成果:

• 该研究表明,卷积神经网络方法可以从多次暴露斑点数据中生成相对血流图.
• 机器学习方法显示了实时处理的潜力,克服了非线性合适方法的计算强度.
• 性能比较表明,CNN的可行性是作为一种替代既定安装方法的替代品.

结论:

• 卷积神经网络显示了使用多次曝光斑点成像进行实时血流映射的巨大潜力.
• 无模型机器学习方法提供了一个计算效率高的替代传统的像素非线性拟合方法.
• 这一进步可以在各种生物医学应用中实现更快,更容易获得的血流分析.