用超声波回散器评估骨密度:利用时间频率分析和卷积神经网络

科学领域:

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

背景情况:

• 骨质疏松症是一种骨密度下降的疾病,增加骨折风险.
• 目前的骨质疏松症诊断方法可能具有侵入性或缺乏敏感性.
• 先进的信号处理和机器学习为改善骨密度评估提供了潜力.

研究的目的:

• 开发和验证一个卷积神经网络 (CNN) 模型来检测骨密度变化.
• 评估使用超声波回散信号的光谱图和谱图用于骨密度预测的有效性.
• 为了比较CNN方法与传统超声波技术的性能.

主要方法:

• 从55个人类靠近大腿骨取消无骨样本的超声波反射信号生成的光谱图和光谱图.
• 使用网格搜索优化了CNN的超参数 (学习率,批量大小,时代).
• 训练并测试了CNN模型用于骨密度预测,并将结果与实际样本密度进行了比较.

主要成果:

• 根据超声波数据,CNN模型准确地预测了骨密度,实现了高相关性 (光谱图R2=0.98,谱图R2=0.94).
• 线性回归显示预测和实际骨密度之间存在很强的一致性,斜率接近1.
• 在CNN模型中,基于光谱图的输入略高于基于扫描图的输入.
• CNN模型表现出强大的性能,对超参数调整或训练集大小的灵敏度最小.

结论:

• 超声波衍生的光谱图/扫描图的CNN分析提供了一种敏感的方法来检测骨质疏松性骨变化.
• 这种由人工智能驱动的方法显示出超越传统超声波反射散射方法用于骨密度评估的潜力.
• 开发的CNN方法为骨质疏松症诊断和监测提供了一个有希望的,非侵入性的技术.