用于高速光学相干弹性成像的深度学习
图像与视频处理
2020-04-30 v1
摘要
组织的力学特性为识别病灶提供了有价值的信息。获得弹性特性定量估计的一种方法是结合光学相干弹性成像（OCE）的剪切波弹性成像。然而，给定剪切波速度，仍难以估计弹性特性。因此，我们提出深度学习直接从 OCE 数据预测组织的弹性特性。我们以 30 kHz 的帧率获取二维图像，并使用卷积神经网络预测明胶浓度，将其作为组织弹性的替代指标。我们将深度学习方法与以剪切波速度作为特征的常规回归模型预测进行比较。常规方法的平均绝对预测误差范围为 1.320.98 p.p. 至 1.571.30 p.p.，而我们对具有 3D 时空输入的卷积神经网络报告的误差为 0.900.84 p.p.。我们的结果表明，基于时空数据的深度学习优于基于显式剪切波速度估计的弹性成像。
引用
@article{arxiv.2004.14024,
title = {Deep Learning for High Speed Optical Coherence Elastography},
author = {Maximilian Neidhardt and Marcel Bengs and Sarah Latus and Matthias Schlüter and Thore Saathoff and Alexander Schlaefer},
journal= {arXiv preprint arXiv:2004.14024},
year = {2020}
}
备注
Accepted at IEEE International Symposium on Biomedical Imaging 2020