B模式超声波到使用多尺度学习的弹性学合成

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:

• 弹性图测量组织硬度,用于诊断瘤等病变.
• 高昂的成本和有限的可用性限制了在农村初级保健中的使用.
• 需要在服务不足的地区提供可访问的弹性学方法.

研究的目的:

• 开发一种深度学习方法,从B模式超声数据中合成弹性超声图像.
• 在成本和可访问性方面克服传统弹性塑料的局限性.
• 为了使弹性图在初级医疗设施中得到更广泛的临床应用.

主要方法:

• 提出了一个利用多层次学习的多层次弹性图像合成网络 (MEIS-Net).
• 整合了多尺度的前列腺特征,并使用了融合模块来增强弹性合成.
• 从B模式和弹性图形特征图表中合成了本地和全球弹性图像,然后将它们结合起来.

主要成果:

• MEIS-Net有效地从两个设备的B模式超声数据中合成了弹性图像.
• 实现了0.74 ± 0.04的结构相似度指数,表现优于Pix2Pix,CycleGAN和StarGANv2.4.
• 合成弹性图像显示了与真实图像相似的分类性能,只有3%的AUC下降.

结论:

• MEIS-Net为合成弹性图像提供了传统弹性图像的可行替代方案.
• 该方法显示了在资源有限的环境中改善诊断能力的潜力.
• 该方法显示临床有效性和广泛适用于病变检测.