深度无色化方法改善了超声波弹性学中剪切波阶段速度地图重建的方法

科学领域:

• 医疗成像医学成像
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 超声波切割波弹性图 (SWE) 对于组织特征是至关重要的.
• 在SWE中测量噪声导致不准确的剪切波相速估计.
• 传统的过方法往往不足以消除噪声,特别是在像脂肪组织这样的低信号噪声比 (SNR) 的环境中.

研究的目的:

• 开发一种新的深度学习方法,用于超声SWE中消除剪切波场.
• 为了提高剪波相速图像地图的重建精度.
• 在具有挑战性,高噪音的弹性图形场景中改进SNR.

主要方法:

• 粒子速度数据转换为时间频率表示.
• 卷积神经网络 (CNN) 具有编码器-解码器架构,用于信号分解和提取.
• 网络在模拟幻影 (360 kPa弹性) 上进行训练,并根据实验幻影和ex-vivo山羊肝数据进行验证;与带通,中位和波纹过进行比较.

主要成果:

• 在实验数据中,SNR显著改善,从-29.9dB到15.630.3dB.
• 与传统的过方法 (带宽,波形) 相比,在统计学上有显著的改进 (p < 0.001).
• 重建更平滑的相位速度图,变化系数较低 (幻体<0.01,肝脏组织<0.05).

结论:

• 拟议的深度学习方法有效地消除了超声SWE中的剪切波场.
• 在剪切波相速图像地图重建中显示了显著的改进.
• 突出了深度学习在从噪音数据中提取真切波信号方面的潜力.