从稀疏的超声波图像进行可扩展的3D重建的隐性神经表示

科学领域:

• 医学成像医学成像
• 计算解剖学的计算解剖学
• 神经网络的神经网络的神经网络

背景情况:

• 卷度超声波成像是有价值的,但受到2D阵列成本和数据重建挑战的限制.
• 现有的3D重建算法在规模上扎,需要精确的传感器定位,这往往是不可用的.
• 目前的方法通常依赖于离散的插值,限制实时分析和准确性.

研究的目的:

• 开发一种新,高效,准确的方法,从二维切片中重建3D超声波体积.
• 为了克服现有的离散重建算法和传感器位置依赖性的局限性.
• 通过隐性神经表示来实现连续和可扩展的3D体积重建.

主要方法:

• 使用可编程电机上的1D超声波阵列进行数据采集.
• 开发并使用隐式神经表示来进行连续的3D体积重建.
• 将拟议的神经网络方法与经典重建算法进行了比较.

主要成果:

• 隐式神经网络实现了比经典算法提高7.9倍的性能,同时保持了准确性.
• 一个重建管道在仅使用36个B模式图像的模拟数据上显示了93%的准确性.
• 在小鼠体内评估显示,测量瘤体积的平均误差为6.3%.

结论:

• 隐式神经表示为从有限的二维数据中重建3D超声波体积提供了可行的解决方案.
• 与传统的插值技术相比,拟议的方法显著降低了数据需求和计算复杂性.
• 这种方法促进了互动分析,并且在临床前和临床体积超声波成像中具有潜在的应用.