视觉转换器的超声波定位显微镜中的自动化微气泡歧视

科学领域:

• 医疗成像医学成像
• 生物医学工程 生物医学工程
• 信号处理 信号处理

背景情况:

• 超声波局部化显微镜 (ULM) 推进了超出声波衍射极限的微血管成像.
• 目前的ULM方法需要先前的大量知识,包括冲动响应,参数选择或一致的深度学习数据集.
• 这些依赖性限制了现有的ULM技术的通用性和工作流效率.

研究的目的:

• 开发一个通用的超声波定位显微镜 (ULM) 管道,尽量减少对先前知识的依赖.
• 引入一种深度学习 (DL) 方法,能够同时提取微泡信号并减少斑点噪声,而无需估计冲动响应或微泡计数.
• 提高ULM在各种成像条件和生物样本中的性能和适用性.

主要方法:

• 采用了具有高效通道注意力视觉变压器 (ViT) 的深度学习模型,用于同时进行信号蒸和斑点减少.
• 采用了一种渐进式学习策略,使ViT能够通过逐步增加补丁大小的培训来学习全球信息.
• 使用k-Wave生成的合成数据模拟了各种微气泡模式,解决了有限的标记数据的挑战. 通过使用辐射对称法处理ViT输出来实现子像素定位.

主要成果:

• 与传统的ULM相比,拟议的管道在未见的in silico和in vivo数据集 (老鼠瘤,老鼠大脑,老鼠脏) 上表现优越.
• 在广泛的信号噪声比率 (60 dB到10 dB) 中,实现了更高的正预测值 (0.88-0.41 vs. 0.83-0.16) 和更高的准确性 (RMSE:0.25-0.14 λ vs. 0.31-0.13 λ).
• 该模型在不同的体内数据集中检测到更多的容器,分辨率与标准方法相比,显示了整体ULM性能的提高.

结论:

• 开发的基于视觉变压器的ULM管道有效地减少了先前知识的要求,提供了更普遍的方法.
• 该方法显著提高了微血管成像性能,在精度和准确性方面超过了传统技术.
• 这种无先验ULM方法与现有方法无集成,改善了各种生物应用的整体ULM能力.