ULM-MbCNRT:通过结合多分支CNN和递归变压器来进行vivo超快超声波定位显微镜

科学领域:

• 生物医学成像学 生物医学成像学
• 医学超声波 医学超声波
• 深度学习应用程序深度学习应用程序

背景情况:

• 超声波定位显微镜 (ULM) 通过定位微泡 (MB) 来实现亚波长分辨率.
• 传统的ULM需要大量的数据采集 (几十秒),导致在成像速度和处理方面进行权衡.
• 限制包括缓慢的数据采集和处理,阻碍实时应用程序.

研究的目的:

• 开发用于超快超声波定位显微镜 (ULM) 成像的深度学习框架.
• 从更少的原始超声波 (US) 中重建超分辨率 (SR) 图像,减少获取时间.
• 克服传统ULM固有的速度限制.

主要方法:

• 介绍了ULM-MbCNRT,这是一个结合多分支卷积神经网络 (CNN) 和递归变压器 (RT) 的深度学习框架.
• 重建了SR ULM图像,直接从从显著减少的美国中获得的临时平均低分辨率图像中重建.
• 使用数值模拟和体内实验验证实了该方法.

主要成果:

• ULM-MbCNRT实现了高质量的ULM成像,大大减少了数据采集和计算时间.
• 与ULM-mSPCN相比,数值模拟显示数据采集减少了约10倍,计算时间减少了约130倍.
• 在体内实验中,数据采集时间 (~0.8秒) 减少了约37倍,计算时间 (~0.87秒) 减少了约2134倍,而不会损失空间分辨率.

结论:

• 开发的ULM-MbCNRT框架可以实现超快的ULM成像,大大加快了这个过程.
• 这一进步有望在体内观察快速的生物活动.
• 有潜力通过更快,高分辨率的微血管成像来改善临床诊断和监测.