超声波弹性学中的移位追踪技术:从交叉相关性到深度学习

科学领域:

• 医疗成像医学成像
• 生物医学工程 生物医学工程
• 声学 声学 在声学方面

背景情况:

• 超声波弹性学非侵入性地绘制组织粘弹性特性,用于疾病特征.
• 应变弹性图 (SE) 和剪切波弹性图 (SWE) 是关键技术,这两种技术都依赖于准确的位移估计.
• 现有的评论往往忽视了移位跟踪算法的进步,而是专注于临床应用.

研究的目的:

• 全面审查最近提出的SE和SWE的位移估计算法.
• 突出超越传统方法的算法,包括深度学习方法.
• 讨论验证,临床转化和弹性图形移位跟踪的未来研究方向.

主要方法:

• 审查各种排位估计技术:交叉相关性,区块匹配,基于模型,基于能量和基于深度学习.
• 包括用于大/侧位移跟踪,自适应光束成形,数据增强和噪声抑制的算法.
• 讨论模拟模型,临床验证,性能指标和可用的资源.

主要成果:

• 对超声波弹性图形的多种位移跟踪算法的识别和分类.
• 强调准确的排位估计对于SE和SWE性能的关键作用.
• 方法概述 促进提高跟踪准确性和稳定性.

结论:

• 精确的位移估计对于超声波弹性图像技术 (如SE和SWE) 的成功至关重要.
• 最近的算法发展为增强弹性图的诊断能力提供了巨大的潜力.
• 需要进一步的研究来进行临床翻译,验证,并解决当前弹性图谱跟踪的局限性.