在超快的M模式图像中检测剪切波轨迹,以评估肝纤维化:基于深度学习的线路检测方法

科学领域:

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

背景情况:

• 非侵入性肝纤维化评估通常依赖于通过短暂的超声波弹性学测量的剪切波传播速度.
• 在波传播图上检测剪切波轨迹是具有挑战性的,因为噪声和信号衰减.
• 在这种情况下,深度学习以前没有被应用于切削波轨迹检测.

研究的目的:

• 开发和评估深度学习模型,在波传播图上准确检测剪切波轨迹.
• 提出一个端到端的框架,变压器增强的Hough Transform (TEHT),用于剪切波轨迹的直接斜率输出.
• 评估TEHT的性能与其他深度学习模型以及肝纤维化评估的黄金标准相比.

主要方法:

• 评估了五种深度学习模型来检测剪切波轨迹.
• 开发了一个新的端到端框架,TEHT,结合了变压器和Hough转换.
• TEHT使用多级特征提取,可变形注意力,Hough投票和道注意力.
• 来自68名患者的波传播图,带有放射科医生注释的地面真相,用于评估.

主要成果:

• 拟议的TEHT模型比其他深度学习模型实现了显著更高的性能.
• TEHT显示的F测量值为80.96% (EA) 和98.00% (Ys).
• TEHT与黄金标准有很强的一致性,R2值为0.967的速度和0.968的肝硬度.

结论:

• 变压器增强的Hough Transform (TEHT) 模型是一种高效的深度学习方法,用于切削波轨迹检测.
• 与现有的方法相比,TEHT在评估肝硬度方面提供了卓越的性能和准确性.
• 在非侵入性肝纤维化评估中,TEHT显示出临床应用的巨大潜力.