MoNetV2:用于自由手3D超声波重建的增强运动网络

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 三维超声 (3D US) 对于临床诊断至关重要,它提供了空间解剖背景.
• 深度学习已经在没有外部跟踪的情况下推进了自由手的3D US重建.
• 只有图像的重建面临着累积漂移和准确性的挑战,特别是在复杂的运动期间.

研究的目的:

• 为了提高3D美国重建的准确性和通用性.
• 解决目前基于深度学习的自由手3D US方法的局限性.
• 为了提高跨多种扫描速度和战术的重建性能.

主要方法:

• 提出了一个增强的运动网络 (MoNetV2),其中包含基于传感器的时间和多分支结构 (TMS) 用于融合图像和运动数据.
• 设计了一种在线多级一致性约束 (MCC),利用扫描级速度一致性 (SVC),路径级外观一致性 (PAC) 和补丁级运动一致性 (PMC).
• 提炼了一种在线多式联网自主监督策略 (MSS),以利用网络估计和运动信息来减少错误.

主要成果:

• 与现有方法相比,MoNetV2显示出更高的重建质量.
• 拟议的网络在三个大型数据集中显示了增强的概括性.
• 图像和运动数据通过TMS的融合显著提高了准确性.

结论:

• MoNetV2有效地提高了自由手3D超声波重建的准确性和概括性.
• 综合的TMS,MCC和MSS策略解决了累积漂移并提高了性能.
• 这种方法为复杂的临床场景中的3DUS重建提供了强大的解决方案.