对于可穿戴式超声波设备的智能膀体积监测:通过基于深度学习的粗细形状估计来提高精度

科学领域:

• 生物医学工程 生物医学工程
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 精确的膀体积监测对于管理尿路功能障碍至关重要.
• 可穿戴式超声波 (美国) 设备提供非侵入性,实时监测,但在电力消耗,计算和定量准确性方面面临挑战.
• 现有的方法难以平衡效率与精确的膀体积估计.

研究的目的:

• 开发一个集特征提取和深度学习 (DL) 的新型管道,以有效,持续,定量地监测膀体积.
• 为了降低可穿戴设备的功耗和计算成本,同时保持高精度.
• 为了提高膀形状估计和体积回归的准确性,以便在实际临床部署.

主要方法:

• 一条管道结合了传统的特征提取和DL用于膀体积监测.
• 通过穿戴设备上的膀壁检测来估计粗的膀形状,数据通过无线传输到服务器.
• 在外部服务器上使用基于扩散的模型来改进膀形状.
• 使用来自250名患者的膀美国图像和射频信号数据集的验证,模拟可穿戴设备数据采集.

主要成果:

• 在二维细分 IoU (交叉路口在联盟) 中实现了 +9.32% 的改进.
• 在膀体积回归过程中,RMSE (根平均平方误差) 降低了22.06.
• 与模拟现实世界的场景中最先进的方法相比,展示了优越的性能.

结论:

• 拟议的管道有效地将可穿戴的美国设备与DL集成在一起,以准确有效地监测膀体积.
• 这种方法显著提高了膀形状估计和体积回归的准确性,解决了先前研究的局限性.
• 该研究弥合了美国可穿戴设备实际部署的差距,有望改善患者护理和生活质量.