Mejorando la imagenología 3D por ultrasonido a mano alzada con OSCNet
Un nuevo método mejora la precisión en la ecografía 3D a mano alzada.
― 6 minilectura
Tabla de contenidos
La imagenología por ultrasonido es una herramienta crucial en medicina porque es segura, fácil de repetir y proporciona imágenes en tiempo real. Un método, el ultrasonido 3D a mano alzada (3D US), permite a los médicos obtener imágenes detalladas de áreas específicas sin complicar demasiado el proceso de escaneo. Sin embargo, todavía hay desafíos para determinar con precisión la posición del equipo de escaneo. Estos desafíos surgen porque es difícil medir cuánto se mueve el equipo hacia arriba y hacia abajo. Esto hace que sea complicado determinar dónde se toman las imágenes. Una solución a este problema es agregar pequeños sensores que ayudan a rastrear el movimiento sin complicar el proceso.
El papel de las unidades de medida inercial (IMUs)
Las unidades de medida inercial (IMUs) son dispositivos que pueden medir el movimiento. Son pequeñas, baratas y utilizan muy poca energía. Muchos investigadores han comenzado a usar IMUs en la imagenología por ultrasonido para mejorar la precisión. Sin embargo, estos sensores tienen limitaciones, como errores de medición debido al ruido, que pueden afectar los resultados. Algunos estudios han mostrado que usar múltiples IMUs juntas puede ayudar a reducir estos errores y llevar a mejores resultados.
La red de autoconsistencia en línea
Para abordar los desafíos de la imagenología por ultrasonido 3D a mano alzada mientras se usan múltiples IMUs, se desarrolló un nuevo método llamado red de autoconsistencia en línea (OSCNet). Este método tiene dos ideas clave. Primero, toma datos de varias IMUs para minimizar el ruido encontrado en los datos de un solo sensor. Segundo, utiliza una técnica que verifica si la información de diferentes partes de una sesión de escaneo es consistente. Esto ayuda a estabilizar los resultados, haciéndolos más confiables.
Cómo funciona OSCNet
El marco de OSCNet tiene dos partes principales. La primera parte se llama backbone, que está diseñada para analizar imágenes de ultrasonido y datos de movimiento de las IMUs. El backbone utiliza una estructura de red especial para asegurarse de que pueda rastrear con precisión los movimientos a lo largo del tiempo. La segunda parte se enfoca en aprender de los datos. Durante la fase de entrenamiento, el sistema toma múltiples imágenes de ultrasonido y datos de IMU para estimar cuidadosamente cómo se movió el equipo durante el escaneo.
MSS)
Estrategia de auto-supervisión a nivel modal (La estrategia de auto-supervisión a nivel modal busca aprovechar al máximo múltiples IMUs al juntar sus mediciones. Cada IMU proporciona información diferente, y al combinar estos datos, el sistema puede hacer estimaciones mejores y más consistentes. Durante el entrenamiento, OSCNet evalúa qué tan bien la salida coincide con el movimiento real y ajusta en consecuencia.
SCS)
Estrategia de autoconsistencia a nivel de secuencia (La estrategia de autoconsistencia a nivel de secuencia ayuda a garantizar que los resultados de diferentes sesiones de escaneo sean estables y confiables. Esta parte de OSCNet utiliza técnicas para verificar que los movimientos estimados durante el escaneo se mantengan consistentes. Al dividir aleatoriamente los datos de escaneo en segmentos más pequeños, el sistema puede verificar la consistencia en diferentes partes del escaneo.
Recolección de datos y configuración experimental
Para los experimentos, se recopilaron datos usando una máquina de ultrasonido portátil, varios sensores IMU y un sistema de seguimiento preciso. Las imágenes de ultrasonido se tomaron usando una sonda lineal, que es una herramienta común en la imagenología por ultrasonido. Las IMUs estaban fijadas a la sonda en varias direcciones para capturar una amplia gama de datos.
Se crearon dos conjuntos de datos principales para este estudio. Un conjunto de datos se enfocó en escaneos de brazos, mientras que el otro se centró en escaneos de carótidas. El conjunto de datos de brazo tenía un total de 288 escaneos, mientras que el conjunto de datos de carótida incluía 216 escaneos. Cada conjunto de datos fue cuidadosamente organizado en grupos de entrenamiento, validación y prueba para asegurar una evaluación precisa y justa.
Para mejorar la capacidad del sistema de generalizar a condiciones del mundo real, se aplicaron varias alteraciones aleatorias a los escaneos de entrenamiento. Estas alteraciones incluían cambios en las secuencias y métodos de muestreo.
Evaluación del rendimiento
Para evaluar la efectividad de OSCNet, se compararon los resultados con varios métodos existentes en el campo. Se utilizaron varias métricas de rendimiento para medir la precisión y fiabilidad, como tasas de deriva y errores. Los hallazgos mostraron que OSCNet tuvo un rendimiento significativamente mejor que los métodos anteriores en todas las métricas.
En particular, al comparar los resultados de OSCNet en los conjuntos de datos de brazo y carótida, quedó claro que este nuevo enfoque proporcionó reconstrucciones más precisas y consistentes de las imágenes escaneadas. Notablemente, el uso de múltiples IMUs no solo mejoró el rendimiento, sino que también destacó las ventajas de integrar múltiples fuentes de datos.
Resultados visuales y comparaciones
Además de las evaluaciones numéricas, se hicieron comparaciones visuales de los resultados de reconstrucción. El método OSCNet produjo consistentemente resultados que coincidían estrechamente con las posiciones y movimientos reales registrados durante los escaneos. Esto indica que OSCNet es particularmente efectivo para reconstruir con precisión el área escaneada.
Los resultados muestran las diferencias entre varios métodos, con OSCNet destacándose por su precisión tanto en escaneos de brazo como de carótida. Esto confirma que OSCNet no solo mejora el rendimiento de la reconstrucción, sino que también se mantiene robusto en diferentes tipos de escaneos.
Direcciones futuras
El éxito de OSCNet abre nuevas posibilidades para una mayor investigación en el campo de la imagenología por ultrasonido 3D a mano alzada. El trabajo futuro puede involucrar refinar las técnicas utilizadas o probar OSCNet con conjuntos de datos adicionales para ver qué tan bien funciona en diferentes escenarios. Las mejoras potenciales podrían centrarse en incorporar tecnologías de sensores aún más avanzadas o explorar diferentes algoritmos para mejorar el procesamiento.
A medida que se realicen más investigaciones, el objetivo será desarrollar métodos que promuevan un mejor entendimiento y precisión en la imagenología médica, asegurando que los proveedores de salud puedan ofrecer la mejor atención posible a los pacientes.
Conclusión
En resumen, la imagenología por ultrasonido 3D a mano alzada es una herramienta poderosa en el diagnóstico médico, y el desarrollo de OSCNet marca un avance significativo en la mejora de esta técnica. Al utilizar múltiples IMUs y aplicar estrategias de aprendizaje innovadoras, OSCNet mejora efectivamente la precisión y fiabilidad de las reconstrucciones por ultrasonido. Este trabajo confirma la importancia de integrar diversas fuentes de datos y destaca el potencial para un mayor progreso en el campo de la tecnología de imagenología médica.
Título: Multi-IMU with Online Self-Consistency for Freehand 3D Ultrasound Reconstruction
Resumen: Ultrasound (US) imaging is a popular tool in clinical diagnosis, offering safety, repeatability, and real-time capabilities. Freehand 3D US is a technique that provides a deeper understanding of scanned regions without increasing complexity. However, estimating elevation displacement and accumulation error remains challenging, making it difficult to infer the relative position using images alone. The addition of external lightweight sensors has been proposed to enhance reconstruction performance without adding complexity, which has been shown to be beneficial. We propose a novel online self-consistency network (OSCNet) using multiple inertial measurement units (IMUs) to improve reconstruction performance. OSCNet utilizes a modal-level self-supervised strategy to fuse multiple IMU information and reduce differences between reconstruction results obtained from each IMU data. Additionally, a sequence-level self-consistency strategy is proposed to improve the hierarchical consistency of prediction results among the scanning sequence and its sub-sequences. Experiments on large-scale arm and carotid datasets with multiple scanning tactics demonstrate that our OSCNet outperforms previous methods, achieving state-of-the-art reconstruction performance.
Autores: Mingyuan Luo, Xin Yang, Zhongnuo Yan, Junyu Li, Yuanji Zhang, Jiongquan Chen, Xindi Hu, Jikuan Qian, Jun Cheng, Dong Ni
Última actualización: 2023-07-18 00:00:00
Idioma: English
Fuente URL: https://arxiv.org/abs/2306.16197
Fuente PDF: https://arxiv.org/pdf/2306.16197
Licencia: https://creativecommons.org/licenses/by/4.0/
Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.
Gracias a arxiv por el uso de su interoperabilidad de acceso abierto.