用物理嵌入式神经网络进行深度学习,用于全波形超声波脑成像.

科学领域:

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

背景情况:

• 超声波成像是一种安全,负担得起的软组织检查的非侵入性技术.
• 头骨和大脑组织之间的声阻力不匹配限制了传统超声波对大脑的诊断效用.
• 开发先进的成像技术对于非侵入性脑部诊断至关重要.

研究的目的:

• 引入一种新的深度学习方法,物理嵌入式神经网络与完全波形反转 (PEN-FWI),用于定量脑组织成像.
• 为了克服传统超声波在脑部成像中的局限性,由于骨干扰.
• 为了展示PEN-FWI在高分辨率脑成像方面的能力.

主要方法:

• 开发了一个嵌入物理的神经网络,使用基于深度学习的全波形反转 (PEN-FWI).
• 该网络包括用于波场预测的前向卷积神经网络 (FCNN) 和用于模型重建的反转子神经网络 (ISNN).
• 采用了一种代方法,将FCNN嵌入ISNN中,用于波场到大脑模型断层扫描.

主要成果:

• 佩恩-FWI成功地生成了头骨和软组织的高质量图像,即使是从同质的水模型.
• 取得了各种速度分布 (均,高斯式,不规则) 的凝块模型的优秀成像.
• 证明了大脑切片和头骨的强大差异化,水平横截面大脑图像仅在1.13秒内生成.

结论:

• PEN-FWI提供可靠的脑组织定量成像,克服了与骨相关的超声波限制.
• 该算法为基于超声波的脑断层扫描提供了重大进展.
• PEN-FWI显示出在其他需要精确地下可视化的成像领域具有广泛应用的潜力.