用于触摸的A扫描序列变压器与光学连贯弹性图形学

科学领域:

• 生物医学光学 生物医学光学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 精确的组织弹性识别有助于手术导航,但触摸在微创手术中是主观和有限的.
• 高速光学连贯弹性图 (OCE) 通过机械波传播提供了手术内弹性估计.
• 强大的波速估计和弹性模量重建是具有挑战性的,因为波传播建模的复杂性.

研究的目的:

• 从OCE阶段数据直接开发和评估端到端弹性估计的深度学习模型.
• 调查变压器架构对于处理OCE A扫描序列的适用性.
• 将深度学习方法的性能与传统技术和基于CNN的方法进行比较.

主要方法:

• 利用基于变压器的深度学习模型来处理来自OCE的1D轴扫描 (A扫描) 的时间序列.
• 在具有已知的弹性特性的均质组织幻体上训练并测试模型.
• 验证了对异质幻象的概括,并评估了生物软组织 (心脏,脏,肝脏) 的弹性.

主要成果:

• 在同质幻体中,实现了1.64 kPa的平均误差,用于弹性估计.
• 与传统处理 (7.80kPa误差) 和基于CNN的方法 (5.55kPa误差) 相比,显著改善.
• 成功地对异质幻象进行了概括,并在各种软组织样本中准确评估了弹性.

结论:

• 变压器架构对于从OCE A扫描序列中重建组织弹性是非常有效的.
• 深度学习,特别是变压器,为手术内弹性估计提供了强大而准确的解决方案.
• 这种方法有可能提高外科导航和组织表征.