SHEAR-net：用于单次推压超声剪切波弹性成像的端到端深度学习方法
图像与视频处理
2019-02-14 v1 医学物理
摘要
结合常规 B 超成像的超声剪切波弹性成像（USWE）在病灶分割与分类问题中表现出更优性能。本文中，我们提出端到端深度神经网络 SHEAR-net，从由单次声辐射力（ARF）诱导的不同时间点的组织位移跟踪数据重建 USWE 图像，该 ARF 能量为常规使用的 100% 或 50%。SHEAR-net 包含一个称为 S-net 的定位器，先定位病灶位置，随后利用循环层从不同时间帧的波模式中抽取时间相关性，最后通过估计器从 S-net 与循环层拼接输出中重建剪切模量图像。网络以 800 组仿真数据与有限数量的 CIRS 组织仿体数据训练，并采用多任务学习损失函数优化，任务为： inclusions 定位与模量估计。所提 SHEAR-net 的有效性在来自仿真与 CIRS 仿体的 125 组测试运动数据上进行了定性与定量广泛评估。我们表明，所提方法一致优于当前最优方法，并在 PSNR 与 SNR 上取得总体 4–5 dB 提升。此外，DSC 与 SSIM 值平均 0.15 的增益表明 SHEAR-net 在 inclusions 覆盖面积与两种方法的结构相似性上更优。所提基于实时深度学习的技术可对最小 0.5m 的组织位移准确估计剪切模量，并以单次推压 ARF 对多个 inclusions 成像。
引用
@article{arxiv.1902.04845,
title = {SHEAR-net: An End-to-End Deep Learning Approach for Single Push Ultrasound Shear Wave Elasticity Imaging},
author = {Tamim Ahmed and Md. Kamrul Hasan},
journal= {arXiv preprint arXiv:1902.04845},
year = {2019}
}