深度学习可以通过超声波成像在体内准确地估计软组织肌变形

科学领域:

• 生物力学 生物力学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 基于图像的变形估计对于工程和生物力学至关重要.
• 在体内组织变形测量对于评估组织健康和疾病至关重要.
• 在体内成像中有限的信号与噪声比率是一个重大挑战.

研究的目的:

• 开发一种新的深度学习方法,StrainNet,用于准确的体内变形测量.
• 在具有低信号噪声比的具有挑战性的成像条件下增强变形分析.
• 为了验证StrainNet的性能与传统方法和现实世界的场景相比.

主要方法:

• 开发了StrainNet,这是一个深度学习模型,用于训练具有文物的图像序列.
• 将StrainNet与使用模拟数据的两种传统基于图像的应变测量技术进行了比较.
• 在体内获得的人类曲肌的高频超声图像在收缩期间进行测试.

主要成果:

• 在准确度上,StrainNet的性能比传统技术高出近90%.
• StrainNet是唯一一种能够在体内条件下跟踪组织变形的方法.
• 在肌变形和施加的力之间发现了强烈的相关性.

结论:

• StrainNet有效地利用深度学习进行体内基于图像的菌株分析.
• 该模型显示了评估康复策略和疾病进展的潜力.
• 通过使用现实世界的数据来概括StrainNet的能力,揭示了对生物力学关系的洞察力.