预先知识嵌入式基于U-Net的全自动血管壁体积测量,用3D超声波图像测量动脉体积

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管超声波是什么意思

背景情况:

• 动脉样硬化评估依赖于从3D动脉超声图像 (CA US) 的血管壁体积 (VWV) 测量.
• 手动VWV测量是主观的,并且取决于操作者,缺乏一致性,并阻碍了对中风风险的有效患者管理.
• 目前用于VWV测量的自动化工具不可用,因此需要客观和可重复的方法.

研究的目的:

• 开发一个全自动框架 (Auto-VWV) 来从3D CA US图像测量VWV.
• 通过自动化方法提高重复VWV测量的准确性和一致性.
• 引入一种新的深度学习模型,CAP-UNet,以改善动脉细分.

主要方法:

• 提出了一种完全自动的VWV测量框架 (Auto-VWV),利用一种嵌入式U-Net (CAP-UNet) 嵌入式U-Net (CAP-UNet).
• CAP-UNet 结合了一个 U-Net 骨干,具有连续性,语音进化和拓学习模块,以捕获空间,时间和结构动脉信息.
• 在两个3D CA US数据集上对八个竞争模型进行了CAP-UNet的评估,并使用模拟和真实重复测量评估了Auto-VWV的可重复性.

主要成果:

• 在3D CA US数据集上,CAP-UNet实现了最先进的细分性能.
• 与其他自动化方法相比,基于CAP-UNet的Auto-VWV在模拟的重复测量中表现出卓越的准确性和一致性.
• 在真实重复扫描中,自动VWV表现出比手动测量更好的可重复性,超过了操作员内部和操作员之间的变化.

结论:

• 开发的Auto-VWV框架,由CAP-UNet提供动力,提供了首个完全自动化的解决方案,用于一致和准确的船舶墙体体积测量.
• 这种自动化方法显著提高了VWV测量的可重现性,超过了手工方法.
• 汽车-VWV框架有潜力加强动脉样硬化评估和改善风险中风患者的管理.