用于肌肉骨骼超声中运动单位识别的深度学习流水线
计算机视觉与模式识别
2020-10-08 v1 机器学习
图像与视频处理
信号处理
摘要
超声成像可提供肌肉大部分区域的信息。最近研究表明，超快超声成像可用于记录和通过盲源分离分析单个运动单位（MU）的机械响应。本工作中，我们提出一种替代方法——深度学习流水线，用于在超声图像序列中识别活跃 MUs，包括对其支配域的分割及其机械响应（抽搐序列）的信号估计。我们使用模拟数据进行模型训练和评估，该数据模拟了数十个激活 MUs 的复杂激活模式，具有重叠支配域和部分同步激活模式。采用慢融合方法（基于 3D CNN），我们将时空图像序列数据转换为 2D 表示，并应用深度神经网络架构进行分割。接着，我们采用第二种深度神经网络架构进行信号估计。结果表明，所提流水线能有效识别单个 MUs、估计其支配域，并在低收缩力下估计其抽搐序列信号。该框架即使在为兼容更传统的计算机视觉与图像处理技术而将超声图像序列转换为 2D 表示时，也能保留 MU 活动机械响应的时空一致性与信息。所提流水线有望用于识别自愿骨骼肌低力收缩超声图像序列中整块肌肉内同时活跃的运动单位。
引用
@article{arxiv.2010.03028,
title = {A deep learning pipeline for identification of motor units in musculoskeletal ultrasound},
author = {Hazrat Ali and Johannes Umander and Robin Rohlén and Christer Grönlund},
journal= {arXiv preprint arXiv:2010.03028},
year = {2020}
}