强大的CNN多嵌套LSTM框架,用于基于补丁的多推式超声波剪切波成像和细分的复合损失.

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:

• 超声切割波弹性学 (SWE) 提供非侵入性组织弹性评估,但在重建准确性,噪声灵敏性和数据限制方面面临挑战.
• 目前的SWE方法在可扩展的区域覆盖和可靠的包含细分方面扎,影响诊断可靠性.
• 有限的注释数据阻碍了现有的SWE重建算法的概括和稳定性.

研究的目的:

• 开发一种新的两阶段深度学习框架,以加强SWE重建和包容细分.
• 为了解决噪声灵敏度的局限性,低效的多推策略和SWE中的数据稀缺性.
• 提高用于组织病理学评估的定量弹性测量的准确性和可靠性.

主要方法:

• 一个两阶段的深度学习框架,结合了基于CNN的多嵌套LSTM重建网络和由复合损失驱动的CNN-denoiser.
• 重建阶段使用ResNet3D编码器,嵌套CNN-LSTM,时间注意力和频率注意力用于特征提取和弹性映射.
• 第二阶段采用双解码器去噪网络,用于包含和背景度,并配备了用于去噪地图和细分面罩的融合模块,并使用基于补丁的模式进行训练.

主要成果:

• 该框架在模拟和实验幻影数据上实现了高性能,峰值信号与噪声比率 (PSNR) 高达26.33dB,交叉与联合 (IoU) 高达0.813.
• 对猪肝的实验验证表明,在生物范围内的弹性估计准确.
• 该方法在重建,细分和噪音不敏感性方面超过了DSWE-Net和时空CNN等现有方法.

结论:

• 拟议的深度学习框架为SWE重建和包容细分提供了一个强大的解决方案.
• 该方法显示了改善定量弹性测量和医疗诊断中的临床转换的巨大潜力.
• 这项工作推动了超声波弹性学领域的发展,为组织病理学评估提供了更准确,更可靠的工具.