使用深度神经网络进行腹主动脉瘤的二维超声弹性成像
图像与视频处理
2025-08-28 v1 人工智能
计算机视觉与模式识别
摘要
腹主动脉瘤（AAA）由于其潜在的破裂风险而构成重大的临床风险，这种破裂通常无症状但可能致命。尽管最大直径常用于风险评估，但仅凭直径是不够的，因为它无法捕捉血管壁底层材料的特性，而这些特性在决定破裂风险中起着关键作用。为了克服这一局限性，我们提出了一种基于深度学习的框架，用于利用二维超声对 AAA 进行弹性成像。利用有限元仿真，我们生成了包含位移场及其对应模量分布的多样化数据集。我们训练了一个具有 U-Net 架构和归一化均方误差（NMSE）的模型，以从位移场的轴向和横向分量推断空间模量分布。该模型在三个实验领域进行了评估：来自三维 COMSOL 仿真的数字体模数据、使用生物力学特性不同的血管模型进行的物理体模实验，以及来自 AAA 患者的临床超声检查。我们的仿真结果表明，所提出的深度学习模型能够重建模量分布，实现了 0.73\% 的 NMSE 分数。同样，在体模数据中，预测的模量比与预期值高度匹配，证实了该模型对体模数据的泛化能力。我们将该方法与一种迭代方法进行了比较，后者表现出可比的性能但计算时间更长。相比之下，深度学习方法能够从超声图像中快速有效地估计组织硬度，这有助于在无需侵入性操作的情况下评估 AAA 破裂风险。
引用
@article{arxiv.2508.19303,
title = {2D Ultrasound Elasticity Imaging of Abdominal Aortic Aneurysms Using Deep Neural Networks},
author = {Utsav Ratna Tuladhar and Richard Simon and Doran Mix and Michael Richards},
journal= {arXiv preprint arXiv:2508.19303},
year = {2025}
}