拉夫特-USENet:一个统一的网络,用于精确的轴向和横向运动估计在超声波弹性成像成像中的超声波弹性成像

科学领域:

• 医疗成像医学成像
• 生物医学工程 生物医学工程
• 计算成像技术的成像

背景情况:

• 高质量的运动估计对于超声波弹性图 (USE) 来评估组织力学和检测异常至关重要.
• 传统的方法,如斑点跟踪和优化与噪音,过度平滑和长时间运行作斗争.
• 现有的基于光流的CNN存在局限性,包括依赖不压缩性假设,需要基准真实数据和低于最佳的规范化.

研究的目的:

• 开发一个以物理为基础的,无监督的神经网络,以准确地估计USE的轴向和横向位移.
• 解决目前在USE中的运动估计技术的局限性,特别是与数据保真,监督,规范化和计算成本相关的技术.

主要方法:

• 开发了RAFT-USENet,这是一个修改后的光流RAFT网络,适用于高频USE数据.
• 采用基于物理学的无监督方法来估计移位,避免依赖地面真相数据或组织不压缩性假设.
• 使用模拟,幻影和体内数据集验证了该方法.

主要成果:

• 与经典和CNN方法相比,RAFT-USENet显示出明显改善的运动估计性能.
• 在模拟,幻影和体内数据中达到高的正常化交叉相关值 (0.94,0.88,0.82),表现优于比较方法.
• 计算时间缩短了1.5-150倍,这表明了显著的效率提升.

结论:

• 在超声波弹性学中,RAFT-USENet提供了一种可靠而准确的运动估计工具.
• 基于物理的无监督方法克服了现有方法的主要局限性.
• 这一进步有可能改善临床弹性成像应用.