从超声波图像中估计全空间肌肉纤维定向,使用多任务可变形残余神经网络

科学领域:

• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.
• 生物医学工程 生物医学工程

背景情况:

• 准确的肌肉纤维方向 (MFO) 估计对于诊断肌肉病理至关重要.
• 超声波 (US) 影像是可视化肌肉结构的非侵入性方式.
• 目前使用美国图像进行MFO估计的方法在曲线纤维和精度方面面临挑战.

研究的目的:

• 提出一个多任务可变形的残余神经网络,用于通过超声波图像进行增强的全空间肌肉纤维方向估计.
• 通过结合肌肉细分任务来提高MFO估计的准确性和稳定性.
• 为了利用深度学习的进步,更好地表征肌肉组织.

主要方法:

• 基于ResUNet架构的新型多任务可变形残余神经网络的开发.
• 整合可变形卷曲,以更好地捕捉美国图像中的曲肌肉纤维特征.
• 实施双重任务方法:同时进行MFO估计和肌肉细分.

主要成果:

• 与现有方法相比,拟议的模型在全空间MFO估计方面表现优越.
• 对10名健康人体内部数据集的实验验证证证了该模型的有效性.
• 多任务学习策略显著提高了检测准确性和稳定性.

结论:

• 多任务可变形残留神经网络是通过超声波图像准确估计MFO的高效工具.
• 该模型的处理曲纤维的能力及其强度使其成为临床应用的前景.
• 这种深度学习方法推进了定量肌肉超声波分析领域.