无传感器端到端自由手3D超声波重建与物理引导的深度学习

科学领域:

• 医学成像医学成像
• 超声波技术的超声波技术
• 医学中的人工智能.

背景情况:

• 自由手的三维超声波 (3-D US) 是有价值的,但在扫描过程中受到外平面 (OOP) 运动的限制.
• 使用运动传感器的现有方法是不方便的,而深度神经网络 (DNN) 与OOP运动估计斗争.

研究的目的:

• 开发一种新的,无传感器的DNN,用于改进3D自由手的美国重建.
• 为了提高重建的准确性,同时减少计算需求.

主要方法:

• 引入了一种基于物理指导学习的姿势信息预测 (PLPPI) 模型.
• PLPPI避免了3D卷曲和运动传感器,专注于从图像数据中估算姿势.

主要成果:

• 与现有的深度学习方法相比,PLPPI实现了明显更准确的3D US重建.
• 演示了高达106%的计算时间加快和131%的GPU内存使用量减少.

结论:

• PLPPI模型为自由手的3DUS重建提供了一个优越的,计算效率高的解决方案.
• 这种无传感器的方法提高了3D超声波成像的临床可用性和性能.