在超声波应变弹性学中,基于卷积神经网络的斑点跟踪用于无监督的超声波应变弹性学教师-学生引导的知识蒸

科学领域:

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

背景情况:

• 准确的运动估计对于实时超声波弹性图 (USE) 是至关重要的.
• 无线电频率 (RF) 超声波数据是USE的理想选择,但在临床上通常很难获得.
• B-mode (BM) 数据很容易获得,但产生低于最佳的弹性图形,传统设备缺乏弹性图形模式.

研究的目的:

• 开发一个无监督的深度学习模型,以改善超声波弹性学中的B模式 (BM) 运动估计.
• 为了提高弹性图像的准确性和质量,这些图像来自于易于获得的BM数据.
• 为了使传统超声波设备中的弹性学功能能够实现.

主要方法:

• 开发了一种由教师和学生指导的无监督卷积神经网络 (TSGUPWC-Net).
• 使用预先训练的基于射频的模型 (MPWC-Net) 作为教师指导在BM数据上训练的学生模型.
• 整合了空间注意力转移和专门的损失函数 (平滑,知识蒸,中间层损失).

主要成果:

• 与仅在BM数据上训练的模型相比,TSGUPWC-Net在轴应变估计中实现了更高的信号噪声比率 (SNR) 和对比噪声比率 (CNR).
• 根据模拟,幻影和体内超声波数据进行评估,证明了卓越的性能.
• 无监督的本质消除了在培训期间需要基准真相标签的需要.

结论:

• 开发的无监督方法显著提高了使用B模式超声数据的运动估计准确度.
• 这种方法提高了弹性图像质量,并有望在临床环境中得到广泛采用.
• 模型的无监督训练使其高度适应于超声波中的各种运动估计应用.