May, 2024

通过动态解码 A-Mode 超声信号的方法实现解剖区域识别和实时骨骼跟踪

PDF
TL;DR基于 A 模式超声信号的深度学习方法能够准确实时地进行骨追踪，并识别 A 模式超声探头所放置的解剖区域，具有出色的准确性和功能性。
bone trackinga-mode ultrasounddeep learninganatomical region recognitionkinematic estimation
发现论文，激发创造
  • 基于深度学习的骨科机器人应用声学测量方法

    通过在全膝关节置换手术中使用一种新的深度学习结构，该研究提出了一种基于 A-mode 超声波的骨追踪方法，实现了在下肢骨位移测量中具有亚毫米级精度的骨追踪，为骨科手术提供了安全、方便和高效的解决方案。

    Mar, 2024

  • 基于自主分割的超声波图像采集技术在关节运动情况下的应用

    该研究提出了一种基于视觉的方法，允许自主的机器人超声波肢体扫描，使用 MRI 图像的基准分析血管结构生成扫描轨迹，并利用神经网络对连续的超声帧进行空间连续性的分析以实现精确的血管结构重建及测量。

    Aug, 2022

  • 无跟踪 3D 超声重建中的特权解剖学和协议识别

    通过在训练过程中利用解剖和协议作为特权信息，将其作为辅助任务，以改进现有的基于深度神经网络的方法，实现无需其他外部追踪设备的三维自由手持超声重建。实验结果表明解剖和协议变异都是 DNN-based US reconstruction 的关键因素，并且通过所提出的算法可以显著提高帧预测准确性、体积重建重合度、累积跟踪错误和最终漂移。

    Aug, 2023

  • 超声引导下硬膜外注射的木材解剖自动检测

    为帮助麻醉专家在患者体内使用针头进入针路的初始尝试时，自动找到被骨骼堵塞的硬膜外深度，并避免刺破患者背部周围区域，此论文提出了一种基于形态学骨骼增强与检测的算法，接着使用 Ramer-Douglas-Peucker 算法和 Hough 变换。该算法在合成和真实的超声图像上进行了测试，并与基于模板匹配的黄韧带（LF）检测方法进行了比较。结果表明，该方法能更快地检测到硬膜外深度对应的骨骼的对角线形状，提供麻醉专家在硬膜外穿刺时实时信息。然而，使用超声图像的方法仍然存在一定的误差，不能完全取代基于组织压力的方法。虽然本研究中的训练数据量相对较少，但在超声扫描中实现了腰椎骨骼和硬膜外深度的分割速度显著提高，准确性也较基于 LF 检测方法有所改善。

    Dec, 2023

  • 智能机器人超声医生：基于互信息的少样本解缠奖励学习

    提出了一种智能机器人超声检查师，能够从专家的经验中自主学习，理解超声检查的语言，通过估计互信息和开发高斯分布滤波器来提高模型的泛化能力，并在血管和动物器官模型中进行了演示实验，证明了该方法的稳健性。

    Jul, 2023

  • 胎儿超声异常扫描的统一生物识别估计的多任务学习方法

    我们提出了一种多任务学习方法，通过对超声图像进行分类和分割来准确估计胎儿生物度量参数，实验结果在胎儿超声图像数据集上达到了很高的分类准确率和较小的平均绝对误差。

    Nov, 2023

  • DopUS-Net: 基于多普勒信号的质量感知机器人超声成像

    本文提出了一种利用 Doppler 效应的血管再识别模块的 DopUS-Net，用于血管病变的自动分割和血管筛选程序的实时监测，实验结果表明，这种方法可以显著提高分割结果的准确性和鲁棒性。

    May, 2023

  • 多域正则化深度学习迭代在超声图像中用于解剖结构检测和分割

    本文提出了一种基于多域正则化深度学习的超声图像解剖结构检测和分割方法，通过跨领域迁移学习和迭代优化等手段提高了特征表达和分类精度，与人类表现相当且优于其他方法。

    Jul, 2016

  • A2DMN: 解剖感知扩展多尺度网络用于乳腺超声语义分割

    通过提出一种新的结构感知网络和平滑度项，以更好地利用组织解剖学信息并生成更准确的语义边界，对乳腺超声图像进行分割，从而显著改善了肌肉、乳腺和肿瘤类别的分割结果，并产生更准确的组织边界细节。

    Mar, 2024

  • 基于对比学习的多模态超声引导下对脑肿瘤切除的解剖标志物检测

    提出了一种用于神经外科应用中 MRI-US 标志物检测的对比学习框架，通过训练卷积神经网络在 MRI 和 US 扫描中编码图像特征，以匹配包含 MRI 相应标志物的 US 图像块，该方法首次在 MRI-US 标志物检测方面取得了有希望的结果。

    Jul, 2023