使用U-net-LSTM框架对超声波进行改善的长度估计

科学领域:

• 生物力学 生物力学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 亮度模式 (B模式) 超声波对于在辅助器件中的体内肌肉动态测量至关重要.
• 通过B模式超声波自动估计束长度,在移动过程中对像素的精度有局限性.
• 现有的方法难以在动态运动中实现精确的测量.

研究的目的:

• 开发一个先进的深度学习框架,从超声波图像中准确预测束长度.
• 为了提高肌肉动力学测量的准确性,以增强辅助设备控制.
• 为了克服当前自动方法在移动过程中捕捉像素精度的局限性.

主要方法:

• 开发了一个新的U-net-LSTM架构,将U-net的细分与LSTM的时间分析集成在一起.
• 半手动的基准真实数据是从64,849个中部胃半腹超声波中生成的,用于训练.
• 拟议的U-net-LSTM模型与传统的U-net和CNN-LSTM配置进行了比较.

主要成果:

• 与U-net和CNN-LSTM相比,U-net-LSTM模型实现了更高的性能.
• 验证精度达到91.4%,平均平方误差 (MSE) 为0.1±0.03毫米.
• 平均绝对误差 (MAE) 记录在0.2±0.05毫米,表明高精度.

结论:

• 拟议的U-net-LSTM框架显著提高了卷轴长度估计的准确性.
• 这种方法提供了一个有前途的解决方案,用于实时,闭环可穿戴控制在机车运动期间.
• 改进的准确性为辅助技术提供了更有效的肌肉动态测量.