基于物理感知神经算子的超声肺部通气图
图像与视频处理
2025-01-03 v1 机器学习
医学物理
摘要
肺部超声成像因其低成本和可及性，在临床上用于诊断和监测急性和慢性肺部疾病，正逐渐增长。肺部超声通过发射诊断脉冲、接收压力波并转换为射频(RF)数据，然后经波束成形器处理生成B模式图像，以供放射科医生解读。然而，与用于软组织解剖成像的常规超声不同，肺部超声因肺胞界面产生复杂回波（因声波无法穿透空气），导致诊断解释复杂。间接的B模式图像高度依赖读者 expertise，需要多年训练才能广泛应用，尽管在有经验者手中可能具有高准确性。为解决这些挑战并 democratize 超声肺部成像以可靠诊断工具，本文提出 LUNA—a 个AI模型，直接从RF数据重建肺部通气图，绕过传统波束成形器和间接B模式图像解释。LUNA采用傅里叶神经算子，在傅里叶空间中高效处理RF数据，实现肺部通气图的准确重建。LUNA提供一种定量、读者无关的传统半定量肺部超声评分方法的替代方案。LUNA的开发涉及合成数据和真实数据：我们采用实验验证的方法模拟合成数据，并对未经处理的猪肺进行实测。LUNA在大量模拟数据上训练后，用少量真实数据微调，实现9%的通气估计误差。我们展示了从RF数据重建肺部通气图的潜力，为提高肺部超声可重复性和诊断效用提供了基础。
引用
@article{arxiv.2501.01157,
title = {Ultrasound Lung Aeration Map via Physics-Aware Neural Operators},
author = {Jiayun Wang and Oleksii Ostras and Masashi Sode and Bahareh Tolooshams and Zongyi Li and Kamyar Azizzadenesheli and Gianmarco Pinton and Anima Anandkumar},
journal= {arXiv preprint arXiv:2501.01157},
year = {2025}
}