一个具有成本效益的多角度融合深度学习用于超声波定位显微镜.

科学领域:

• 医疗成像医学成像
• 生物医学工程 生物医学工程
• 人工智能在医学中的应用

背景情况:

• 超声波定位显微镜 (ULM) 提供了微血管系统的超高分辨率成像.
• 目前的杂乱过方法,如SVD,在计算上要求高,并阻碍实时ULM.

研究的目的:

• 引入AF-UNet,这是一个深度学习框架,用于加速ULM中的杂乱过.
• 为了实现实时,临床适用的微血管成像.

主要方法:

• 开发了AF-UNet,这是一个轻量级的,多角度的深度学习模型,用于杂乱过.
• 处理了旋转的3D相位/方位数据以抑制组织信号和重建微血管体积.
• 分析了最佳的角度采集设置,以提高融合性能.

主要成果:

• 与SVD过相比,AF-UNet实现了超过20倍的计算速度.
• 在脑,眼睛和脏成像中表现出强大的性能和概括性.
• 保存了微血管细节,具有高图像保真度.

结论:

• AF-UNet为ULM中的杂乱过提供了一个计算效率高的解决方案.
• 该框架可实现实时微血管成像,并保持图像质量.
• 优化的角度设置改善了不同解剖区域的融合性能.