基于人工智能的斑点特征化和定位用于超声波斑点跟踪速度测量
Hyo Seung Lee1, Jun Hong Park2, Sang Joon Lee1
1Department of Mechanical Engineering, Pohang University of Science and Technology, 77 Cheongam-Ro, Nam-Gu, Pohang, Gyeongbuk, South Korea.
Ultrasonics
|January 17, 2024
概括
这项研究引入了基于人工智能的斑点特征和定位 (AI-SFL) 框架,以改善超分辨率超声波 (SRU) 用于血液流动成像. AI-SFL框架增强了红细胞局部化和速度测量,没有对比剂.
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:
- 基于深度学习的超分辨率超声波 (DL-SRU) 通过跟踪红细胞 (RBC) 斑点信号来改善空间分辨率和血液流速测量.
- 目前的DL-SRU方法在定位RBC斑点信号方面面临局限性,原因是分类模两可,数据集约束和神经网络结构限制.
研究的目的:
- 提出和评估一种基于人工智能的新型斑点特征化和定位 (AI-SFL) 框架.
- 为了提高红细胞定位和血液流速测量的精度和范围,使用超分辨率超声波.
主要方法:
- 开发了一个AI-SFL框架,其中包含了一种机器学习算法,用于从超声波B模式图像中分类血流信号.
- 实现了缩小尺寸以显示斑点图案,并使用在线数据生成 (ODG) 训练了一个新的ResSU-net.
- 与U-net和常规数据增强方法相比,评估了超分辨率性能 in silico,并通过粒子跟踪速度计 (PTV) 在体内验证了真实血液流量测量.
主要成果:
- 与ODG相结合的AI-SFL框架,与现有的基方法相比,在超级分辨率方面表现出更高的性能.
- 该框架成功地将预测的RBC位置应用于PTV进行定量速度场测量.
- 在体内条件下证实了测量真实血液流量的可行性.
结论:
- 拟议的AI-SFL框架显著改善了RBC局部化和超分辨率超声波能力.
- 这个AI-SFL框架为准确的,非对比度增强的血液流速量化提供了强大的解决方案.
- 该研究验证了AI-SFL框架在基于超声波的血液动力学评估中临床应用的潜力.
