从使用RFF增强的深度神经网络的2D超声波图像进行3D探针定位

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 麻醉学 麻醉学

背景情况:

• 超声波 (美国) 图像对外围神经阻断 (PNB) 非常有价值,因为其非侵入性和实时可视化.
• 3D US的高成本限制了其广泛采用,要求临床医生从2D图像中推断出3D解剖学.
• 准确的美国探测器轨迹估计对于从自由手2D扫描中重建3D体积至关重要.

研究的目的:

• 开发一种用于估计超声波探头使用二维美国图像的自由手轨迹的增强工具.
• 为了提高深度学习模型的概括能力,用于2D美国探测器本地化.
• 为了促进3D超声波体积重建,以改善PNB程序.

主要方法:

• 基于内核的深度学习方法被用于美国探测器轨迹估计.
• 随机里埃特征 (RFF) 被集成,以增强2D美国探头定位的模型概括.
• 该模型在一个公开的解剖幻象数据集上进行了训练,并使用交叉验证进行了验证.

主要成果:

• 拟议的基于RFF的深度学习增强显著提高了2D美国探测器定位的准确性.
• 与基线模型相比,RFF层在预测探头轨迹方面表现优越.
• 交叉验证证实了开发的方法在各种培训数据分割中的稳定性.

结论:

• 基于RFF的深度学习方法为准确的自由手超声波探测轨迹估计提供了一个有希望的解决方案.
• 这一进步可以帮助从二维数据中重建3D超声波体积,从而减少对昂贵的3D美国系统的依赖.
• 开发的工具有可能提高像PNB这样的超声波引导程序的精度和可访问性.