使用深度学习进行超快速心脏成像,用于斑点跟踪心电回声学

科学领域:

• 医疗成像医学成像
• 超声波技术 超声波技术 超声波技术
• 人工智能在医学中的应用

背景情况:

• 高质量的超快超声波成像依赖于复合多波传输,这可以降低率并引入运动工件.
• 现有的深度学习方法擅长静态图像重建,但尚未完全评估动态心脏运动跟踪.

研究的目的:

• 评估用于超快超声波图像重建的深度学习方法,保持心脏运动跟踪能力.
• 评估复杂加权卷积神经网络 (CNN) 的性能,并与心声学的斑点跟踪相结合.

主要方法:

• 开发了一个复杂的加权CNN用于图像重建,并将其与最先进的斑点跟踪方法集成.
• 使用定制模拟框架验证了对无文物心脏图像的方法.
• 用旋盘幻影和体内人类数据集在体外实验数据上测试了性能.

主要成果:

• 在CNN的方法中,只使用三个分离波 (DW),实现了图像质量和运动精度,可比于在没有运动文物的情况下复合31个DW.
• 该方法在幻影实验中证明了高质量的重建和运动估计在各种速度上.
• 在高速速度下超越了最先进的运动补偿 (MoCo) 方法,并在体内数据上显示了持续的改进.

结论:

• 深度学习重建是可行的和有效的超快的斑点跟踪心电回声学.
• 提出的基于CNN的方法提高了动态超声波成像中的图像质量和运动估计精度.
• 这种方法比标准的复合和MoCo技术有了显著的进步,特别是在高速场景中.