SELFNet:使用时空里埃特征网络否定剪切波弹性学
Yanjun Xie1, Yi Huang1, John A Hossack1
1Department of Biomedical Engineering, University of Virginia, Charlottesville, VA, USA.
Ultrasound in medicine & biology
|September 24, 2024
概括
一个新的深度学习网络,SELFNet,有效地否定了超声波剪切波弹性图形数据,改善了组织硬度估计. 这种方法对癌症诊断等临床应用有希望.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 超声剪波弹性图 (SWE) 通过分析剪波传播来估计组织硬度.
- 在SWE中的有限收购可以将噪声引入移位或速度场.
- 基于物理学的深度学习提供了一种新的方法,通过将控制方程余数最小化来近似物理领域.
研究的目的:
- 引入剪切波弹性图形里埃特征网络 (SELFNet) 用于估计和否定粒子移位信号.
- 在物理信息神经网络 (PINN) 框架内利用时空随机里埃特征.
- 同时学习剪切模量映射和结合规则化治理方程.
主要方法:
- 使用基于物理的深度学习框架开发了SELFNet.
- 整合了时空随机的福里埃特征和稀疏的映射,以获得稳定性.
- 对模仿组织的幽灵和ex vivo组织数据集的网络进行了评估.
主要成果:
- 在不同硬度和大小的幻影病变中,SELFNet有效地平滑了噪音.
- 实现了高斯过的优越性能,相对l2误差降低17%,RMSE降低45%.
- 废弃研究证实,富里埃特征映射模块可以防止过度拟合.
结论:
- 通过有限的收购,SELFNet显示了改善SWE的巨大潜力.
- 该方法的适用性在ex vivo组织研究中得到证实.
- 成功的翻译可能会导致诊断癌症和肝脏疾病等疾病的临床应用.
更多相关视频
08:42Measurement of the Directional Information Flow in fNIRS-Hyperscanning Data using the Partial Wavelet Transform Coherence Method
Published on: September 3, 2021
3.0K
11:00Experimental Investigation of Secondary Flow Structures Downstream of a Model Type IV Stent Failure in a 180° Curved Artery Test Section
Published on: July 19, 2016
11.6K
