使用超声波光谱多普勒深度学习对动脉直径趋势的估计
概括
这项研究引入了一种深度学习方法,通过光谱多普勒数据估计动脉直径,填补超声图像中的空白. 动脉再缩放 (AReS) 算法有效地重建缺失的动脉直径数据,帮助血管研究.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 信号处理 信号处理
背景情况:
- 动脉直径估计对于血管健康评估至关重要.
- 超声波数据中的差距可能会阻碍准确的分析.
- 频谱多普勒信号为持续监控提供了一个潜在的替代方案.
研究的目的:
- 开发和评估一种深度学习方法,用于使用光谱多普勒数据估计动脉直径.
- 引入动脉再缩放 (AReS) 算法,用于填补动脉直径测量的空白.
- 为了比较Convolutional Recurrent神经网络与注意力 (CRNN-A) 和音频谱图转换器 (AST) 模型的性能.
主要方法:
- 在光谱图上利用短时间里叶变换和深度学习模型 (CRNN-A,AST) 来进行动脉直径趋势估计.
- 训练模型以预测在1,2或4秒的增量内缩放的趋势.
- 使用模型预测实现了AReS算法来重建缺失的动脉直径数据.
主要成果:
- 在1s细分上训练的CRNN-A模型在预测缩放趋势方面显示出高准确性 (R2 = 0.8083).
- 在使用AReS时,在2s段训练的AST模型在填补1s间隙方面表现最好,平均绝对误差 (MAE:0.0341 mm) 最小.
- 在较长的时间段进行训练可以产生优越的现实世界性能.
结论:
- 深度学习模型可以从光谱多普勒数据有效估计动脉直径趋势.
- AReS算法成功重建了缺失的动脉直径测量,确保了数据的连续性.
- 这种方法为持续的血管监测和诊断提供了可行的解决方案,当超声波成像中断时.
