胎儿大脑无感应体积重建自由手超声扫描与深度隐性表示
Pak-Hei Yeung1, Linde S Hesse1, Moska Aliasi2
1Department of Engineering Science, Institute of Biomedical Engineering, University of Oxford, Oxford, United Kingdom; Oxford Machine Learning in NeuroImaging Lab, Department of Computer Science, University of Oxford, OX1 3QD, United Kingdom.
Medical image analysis
|March 28, 2024
概括
隐性Vol可以从2D超声波数据中重建胎儿的3D大脑体积,而无需传感器. 这种深度学习方法比传统技术提高了可视化质量,以便更好地进行临床评估.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 胎儿的发育 胎儿的发育
背景情况:
- 三维 (3D) 超声波增强胎儿解剖学的理解,但成本昂贵,临床上不切实际.
- 标准的2D超声波是常见的,但缺乏3D背景,限制了先进的胎儿评估.
- 从二维超声波中重建3D体积是很困难的,因为胎儿的独立运动.
研究的目的:
- 开发一种用于从非传感器追踪的2D超声波扫描中重建3D胎儿大脑体积的新方法.
- 为了利用深度学习来实现隐式体积表示,克服离散voxel网格的局限性.
- 提高临床产科3D超声波重建的质量和实用性.
主要方法:
- 建议ImplicitVol,一种深度神经网络方法,用于从自由手的2D超声波中进行3D体积重建.
- 暗示Vol可以预测二维图像的3D位置,并将其精细化以学习连续体积表示.
- 该方法不需要外部传感器跟踪超声波探针定位.
主要成果:
- 与插值方法相比,3D重建中ImplicitVol在视觉和语义质量方面取得了显著的改进.
- 重建在来自多个制造商的多种,原生获得的2D超声波数据集上得到了验证.
- 隐式表示允许任意高分辨率的体积重建.
结论:
- 暗示Vol提供了一个实用的解决方案,用于从易于获得的2D超声波生成高质量的3D胎儿大脑体积.
- 该方法有可能融入临床工作流程,提高诊断能力.
- 这种方法为评估胎儿神经发育提供了更丰富的信息.
