在使用深度学习的无对比超声波定量微血管成像中进行快速跨运动校正
Manali Saini1, Mostafa Fatemi2, Azra Alizad3,4
1Department of Radiology, Mayo Clinic College of Medicine and Science, Rochester, MN, 55905, USA.
Scientific reports
|October 31, 2024
概括
这项研究引入了一种深度学习方法,以减少超声微血管成像中的运动工件,改善瘤血管的可视化. 该技术通过纠正生理运动来提高甲状腺病变的诊断准确性.
科学领域:
- 医疗成像医学成像
- 超声波技术 超声波技术 超声波技术
- 人工智能在医学中的应用
背景情况:
- 无对比的超声波定量微血管成像对于评估病变非常有价值.
- 生理运动,特别是来自动脉脉动的运动,显著降低了甲状腺微血管图像.
- 这种降解导致高率超声波成像中的诊断错误.
研究的目的:
- 为了减少高率超声波成像中的框架间运动工件.
- 为了更准确地可视化甲状腺中瘤微血管的特征.
- 为了解决由动脉脉动引起的图像退化.
主要方法:
- 提出了一个低复杂度的深度学习网络,使用深度可分离的卷积层.
- 集成的混合适应和挤压和激发注意力机制用于运动校正.
- 使用模拟运动的幻影数据和物理运动的体内甲状腺数据验证了网络.
主要成果:
- 在模拟运动数据的皮尔森相关系数 (PCC) 中实现了平均35%的改进.
- 在微血管图像重建中,PCC的改善率从31%提高到35%.
- 在体内甲状腺数据中,PCC的平均改善率为20%,平均框架间相关性改善率为40%.
- 与传统方法相比,实现了与运动校正预测延迟的5000倍减少.
结论:
- 拟议的深度学习网络有效地纠正高率超声波成像中的框架间运动.
- 该方法显著提高了微血管成像的准确性和诊断质量,特别是在像甲状腺这样容易运动的器官中.
- 该网络提供了适合实时应用的计算效率高的解决方案.
