深度学习用于快速超高分辨率超声波微血管成像
Shunyao Luan1,2, Xiangyang Yu1, Shuang Lei1
1School of Integrated Circuits, Laboratory for optoelectronics, Huazhong University of Science and Technology, Wuhan, People's Republic of China.
Physics in medicine and biology
|November 7, 2023
概括
一个新的自适应匹配网络 (AM-Net) 改善了微血管成像的超声本地化显微镜 (ULM). 这种深度学习方法提供了比现有方法更快的处理和更高的准确性,克服了微泡密度和计算复杂性的局限性.
科学领域:
- 医疗成像医学成像
- 生物医学工程 生物医学工程
- 超声波技术 超声波技术 超声波技术
背景情况:
- 超声波局部化显微镜 (ULM) 使用微泡 (MB) 可视化微血管超出衍射极限.
- 当前的ULM方法面临着长时间处理,取决于MB密度的可变成像准确度以及传统深度学习 (DL) 模型的局限性的挑战.
- 现有的基于DL的ULM通常不精确,计算密集,并依赖于难以模拟的训练数据集.
研究的目的:
- 开发一种新的深度学习架构,即自适应匹配网络 (AM-Net),以增强超声波定位显微镜.
- 解决现有的基于DL的ULM的局限性,包括计算复杂性,精度和依赖现实的训练数据.
- 为了提高成像准确度,并使用ULM减少微血管重建的处理时间.
主要方法:
- 为ULM引入了一个新的自适应匹配网络 (AM-Net) 架构.
- 开发了一种多重映射 (MMP) 方法,用于生成现实的培训数据集.
- 通过模拟和体内实验评估AM-Net的性能,并将其与其他基于DL的ULM技术进行比较.
主要成果:
- 与其他基于DL的ULM相比,AM-Net在横向/轴向方面显示出更高的定位精度,特别是在高微泡密度 (20MB/) 的情况下.
- 成功重建了直径约为24.3微米的微容器,并解决了直径约为28.3微米的两个独立的微容器.
- 实现了显著更快的处理时间:模拟128x128图像的~13秒,体内896x1280图像的~33秒,代表了0.3-0.4次数的改进.
结论:
- 拟议的AM-Net为推进超声波定位显微镜提供了一个有前途的解决方案.
- 在微血管成像中,AM-Net提供了低计算成本和高成像性能的平衡.
- 这种方法提高了ULM的可行性,用于需要高分辨率微血管可视化的临床和研究应用.
