从使用混合变压器-CNN框架的2D自由手扫描中进行无追踪3D超声波体积重建
Wenfeng He1, Richard L J Qiu1, Chulong Zhang2
1Department of Radiation Oncology and Winship Cancer Institute, Emory University, Atlanta, Georgia, USA.
Medical physics
|October 31, 2025
概括
本研究介绍了一种新的无追踪器方法,用于从2D数据创建3D超声波 (美国) 图像. 新的Transformer-CNN方法显著提高了重建的准确性和稳定性,使3D US更容易获得临床使用.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 超声波技术 超声波技术 超声波技术
背景情况:
- 传统的3D超声波 (美国) 从2D自由采集的重建依赖于外部跟踪系统.
- 这些系统往往昂贵,复杂,易受干扰,限制了临床采用.
- 需要一种无追踪器的解决方案来提高体积超声波的可访问性和应用.
研究的目的:
- 开发和评估一种用于从2D B模式图像序列进行3D US重建的新方法,而无需外部跟踪.
- 为了提高3D US的准确性和可用性,用于诊断,手术前和手术内设置.
主要方法:
- 一个混合变压器-卷积神经网络 (CNN) 经过端到端的训练,可以在之间回归6度自由 (6-DoF) 的姿势.
- 全球自我注意力机制捕获了远程探测器运动,而卷积层则改进了当地的斑点图案.
- 在前臂 (数据集1) 和前列腺 (数据集2) 扫描中,使用诸如子相似系数 (DSC),轨迹偏移,结构相似度指数 (SSIM) 和峰值信号与噪声比率 (PSNR) 等指标来评估性能.
主要成果:
- 变压器-CNN模型在数据集1上实现了0.71 ± 0.19的DSC和13.25 ± 9.17%的漂移,超过了2D CNN和ConvLSTM.
- 在数据集2中,该模型的SSIM值为0.845和PSNR为29.10dB,超过2D CNN和ConvLSTM.
- 所有的改善均具有统计学意义 (p < 0.01).
结论:
- 与现有的基于CNN和RNN的方法相比,无追踪器的变压器-CNN方法始终提高了体积重叠,轨道稳定性和图像质量.
- 这表明了高准确度3D超声波重建的实用和成本效益的途径.
- 该方法对各种临床应用具有前景,提高了体积超声波的可访问性和可用性.
