长短差异形态记忆网络用于弱监督的超声波地标跟踪跟踪

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 超声波成像为临床应用提供了低成本的实时采集,非常有价值.
• 精确的解剖学里程碑跟踪对于微创手术和放射治疗等手术至关重要.
• 超声波地标跟踪的挑战包括变形,视觉模糊性和部分观察.

研究的目的:

• 开发一个先进的深度学习框架,用于在超声波视频中准确的解剖学地标跟踪.
• 解决实时超声波成像中的地标变形和模糊性的挑战.

主要方法:

• 提出了一种新的长短二形态记忆网络 (LSDM),具有可学习的变形.
• 引入了存储长时间和短时间信息在单独的内存库中的不同形态表示.
• 开发了一个期望最大化内存对齐 (EMMA) 算法,用于代性内存优化.
• 实现了低监督培训,具有最小的里程碑注释.

主要成果:

• 在里程碑跟踪准确度方面,LSDM模型表现出优越或具有竞争力的性能.
• 该方法在各种超声波扫描仪类型和模式中显示出强大的概括能力.
• 实验结果证实了公共和私人超声波数据集的有效性.

结论:

• 拟议的LSDM框架有效地改善了在具有挑战性的超声波环境中解剖学地标的跟踪.
• 新型基于记忆的方法和EMMA算法减轻了累积错误和局部模糊性.
• 对于关键的临床应用,LSDM提供了可靠和可通用的解决方案,依赖于精确的超声波指导.