积极推理和深度生成模型用于认知超声波

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:

• 超声波 (美国) 提供了可访问的医疗成像,但由于图像质量取决于操作员和患者,在困难的情况下限制了诊断效果.
• 目前的美国系统缺乏自主适应,导致图像采集不足,诊断不确定.

研究的目的:

• 将超声波系统重新定义为能够自主,个性化成像的信息搜索代理.
• 利用深度生成模型和贝叶斯推理来进行自适应超声波采集.
• 提高诊断价值和图像质量,特别是在具有挑战性的患者场景中.

主要方法:

• 将超声波数据采集解释为一个感知-动作循环,系统通过与解剖环境的相互作用来学习.
• 使用贝叶斯推理与深度生成模型,共同优化动作 (数据采集) 和感知 (状态推理).
• 开发基于已学习的解剖模型的认知,闭环超声系统,利用自适应束方向和扫描线选择.

主要成果:

• 演示了超声波系统作为信息搜索代理,个性化成像序列.
• 展示了由深度生成模型驱动的自适应性光束转向和扫描线选择.
• 展示了最大限度地提高信息获取和减少超声波成像不确定性的潜力.

结论:

• 将超声波系统重新设计为具有生成AI的认知代理,可以显著提高图像质量和诊断准确性.
• 自主,自适应成像策略增强信息获取,减少操作员/患者的依赖.
• 这种方法有望克服难以成像的患者的局限性,并推动医疗超声波领域的发展.