超声波弹性模块重建使用深度学习模型训练与模拟数据的模拟数据

科学领域:

• 医疗成像医学成像
• 生物物理学的生物物理.
• 机器学习 机器学习

背景情况:

• 超声波 (美国) 弹性成像通过解决美国图像的反向问题来非侵入性地测量组织刚性.
• 传统的反向问题方法在弹性图是计算密集或对噪声敏感.
• 局限性阻碍了当前美国弹性成形技术的速度和准确性.

研究的目的:

• 开发和验证一种深度学习 (DL) 方法来解决美国弹性图形学中的反向问题.
• 从美国测量的位移场中恢复弹性模块的空间分布.
• 克服传统代和直接反向问题的局限性.

主要方法:

• 开发了一个基于U-Net的深度学习神经网络.
• 该网络使用来自前端有限元模型的模拟数据进行训练.
• 模型性能使用平均平方误差 (MSE) 和平均绝对百分比误差 (MAPE) 度量来评估.
• 该模型通过幻影实验和临床数据进一步验证.

主要成果:

• DL模型准确地重建了低MSE和MAPE的模块分布 (例如,硬内含的平均MAPE为0.32%).
• 幻影研究表明预测的模量比与预期值保持一致,证实了准确性.
• 该模型在各种模拟,幻影和临床数据集中展示了强大的概括能力.

结论:

• 在各种模拟数据上训练的深度学习模型可以有效地将幻影和现实世界的临床数据概括起来.
• 这种数据驱动的方法为美国弹性学中的传统方法提供了一个有希望的替代方案.
• 这项研究验证了DL在准确高效的非侵入性组织特性量化方面的潜力.