超声波肺气化地图通过物理意识的神经操作员

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肺部医学 肺部医学

背景情况:

• 肺部超声波对于诊断肺部疾病是有价值的,但由于图像文物和依赖专家读者,解释是具有挑战性的.
• 目前的方法涉及间接的B模式图像解释,这需要广泛的培训,并限制广泛采用.
• 空气无法接触到超声波,造成复杂的反响,使准确的诊断变得复杂.

研究的目的:

• 开发一个人工智能模型,Luna,从射频 (RF) 数据直接重建肺气化地图.
• 为了克服传统光束成形和间接B模式图像解释在肺超声波的局限性.
• 为评估肺气化提供一个定量,独立于读者的指标.

主要方法:

• 卢纳利用里埃神经运算符在里埃空间中高效处理射频数据.
• 该模型绕过了传统的光束造型器,直接重建了肺气化地图.
• 培训涉及模拟数据和精细调整,使用ex vivo猪肺部扫描.

主要成果:

• 卢纳精确地从射频数据中重建了肺气化地图.
• 人工智能模型在ex vivo猪肺部扫描中实现了9%的通风估计误差.
• 这表明了对传统评分方法的定量,独立于读者的替代方案.

结论:

• 从射频数据直接重建肺气化地图是可行的AI.
• Luna有可能提高肺部超声波的解释性,可重现性和诊断效用.
• 这种人工智能驱动的方法可以使肺超声波成像成为可靠的诊断工具.