RFImageNet框架用于用光谱增强的射频信号对超声波图像进行细分
Zhun Xie1, Jiaqi Han1, Nan Ji2
1School of Instrumentation and Optoelectronic Engineering, Beihang University, Beijing, 100191, China.
Ultrasonics
|November 1, 2024
概括
这项研究介绍了RFImageNet,一个使用射频 (RF) 超声波信号进行改进医疗图像细分的新框架. 这种方法通过利用频谱信息来提高诊断的准确性,这种信息通常会在传统的灰度图像中丢失.
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:
- 医疗超声波图像的计算机辅助细分有助于诊断,但使用B模式灰度图像的当前模型缺乏清晰度.
- 灰度图像丢失了超声波射频 (RF) 信号中的丰富光谱信息,阻碍了精确的组织识别.
研究的目的:
- 推出RFImageNet,一个新的图像细分框架,利用RF信号的光谱和振幅信息.
- 为了提高超声波图像细分的准确性和细节性,以改善医疗诊断.
主要方法:
- 开发了一种RF图像表示,将正负RF信号值分为红色和绿色频道,以保存频率信息.
- 创建了一个深度学习模型,RFNet,专门为RF图像的独特输入需求而设计.
- 训练并测试RFNet使用带有光谱数据增强的RF图像,将其性能与现有模型进行比较.
主要成果:
- 在老鼠腹部组织细分方面,获得了54.99%的平均交叉与结合 (mIoU) 和63.89%的子得分.
- 在区分良性和恶性乳腺瘤方面获得了63.28%的mIoU和68.92%的子得分.
- 与其他模型相比,表现出优越的性能,突出了RF信号利用的有效性.
结论:
- 拟议的RFImageNet框架,利用射频信号和深度学习,显著增强了超声波图像细分.
- 这种方法有可能通过利用以前未开发的光谱信息,提高医学成像诊断能力.
