一种多模式超声驱动的方法,用于使用B模式和多频波运动图像进行自动瘤评估

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 波运动成像 (HMI) 使用声波辐射力来评估组织力学.
• 多频HMI (MF-HMI) 优化成像,但由于频率依赖的边界效应,在准确的大小估计方面面临挑战.

研究的目的:

• 开发一种使用新型神经网络对瘤和聚焦超声波手术 (FUS) 病变的自动评估方法.
• 为了自动化新辅助化疗 (NACT) 响应预测.
• 为了提高基于超声波的病变评估的稳定性和准确性.

主要方法:

• 开发了基于变压器的多模式神经网络HMINet,集成MF-HMI和B模式超声波图像.
• 训练了HMINet在380张来自幻象和体内乳腺癌小鼠模型的图像对上.
• 在各种数据集上验证了HMINet,包括幽灵,小鼠,乳腺癌患者和临床和实体环境中的FUS病变.

主要成果:

• 实现了高平均细分精度 (迪斯分数):0.91 (幽灵),0.83 (老鼠),0.80 (患者) 和0.81 (FUS病变).
• 与最先进的模型相比,HMINet表现出卓越的性能.
• 多模式方法被证明比单独的B模式成像更强大,由Dice分数和突出性分析证实.
• 在临床案例中确定800 Hz和200 Hz是最重要的声波辐射力频率.

结论:

• 成功开发了一种自动化的多模式超声波评估方法 (HMINet).
• 这种方法支持基于硬度的乳腺癌治疗响应预测的临床翻译.
• 促进实时图像指导,用于聚焦超声波治疗.