自主监督的超声波B模式应变弹性学使用SMURF

科学领域:

• 医学成像医学成像
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 超声波应变弹性图 (USE) 对组织特征学至关重要,但横向位移估计仍然具有挑战性.
• 临床系统通常只提供B模式图像,限制了现有的USE方法的应用.
• 无监督深度学习网络 (DLN) 需要大量的数据集,B模式数据可以解决临床翻译的问题.

研究的目的:

• 探索使用自学多无监督循环全对场变换 (SMURF) 进行超声波应变弹性学 (USE).
• 在B模式图像循环上使用无监督深度学习来估计轴向和侧向应变张力元件.
• 评估SMURF的性能与传统的体内成像方法相比.

主要方法:

• 重新训练RAFT网络,对模拟和实验B模式数据集进行基线监督.
• 在实验B模式和体内数据集上应用SMURF无监督培训.
• 使用四维 (4D) 成本体积来进行位移和应变估计.

主要成果:

• 微调的RAFT模型与无监督的SMURF在位移和应变估计方面取得了与传统方法相比的准确性和精度,特别是在横向方向.
• 基于GPU的拉格朗 Carotid Strain Imaging (LCSI) 方法相比,SMURF显示了显著更快的处理时间,改进了78%.
• 在临床研究中,该方法显示了实时拉格朗日USE的潜力.

结论:

• 无监督深度学习技术,如SMURF,对B模式数据集的USE有效.
• 在USE中,SMURF提供了一个有前途的解决方案,用于准确和高效的横向位移和应变估计.
• 这种方法促进了USE的更广泛的临床应用,可能使实时成像成为可能.