课题组基于深度学习的超声监测热消融成像研究被相关学术APP转载！ - 张思远教授简介 - 思远 Zhang Siyuan 张

News

分享到:

课题组基于深度学习的超声监测热消融成像研究被相关学术APP转载！

发布者: 张思远 | 2023-10-27 | 30108

热消融技术具有微创、操作简单、可重复性高等优点已被广泛用于肝脏肿瘤的治疗。消融治疗过程中，探针的精确定位、消融区域的精准监测是治疗成功的重要保证。在目前的临床应用中，引导热消融的成像模式主要为超声 B 模式成像且热消融区域的判定主要依赖于超声科医生的先验知识。超声 B 模式图像分辨率不高，且图像质量易受消融过程中由于气泡活动而产生的伪影的影响，导致消融区域和正常组织区域的对比度不高，这给临床应用带了很大的挑战。

针对上述问题，西安交通大学张思远教授课题组致力于生物组织热消融动态物理与超声多参量监控成像研究，以推动超声参量图像引导、监控及评价下更精准高效安全热消融治疗的发展。

课题组创新性地应用全卷积神经网络（FCN）检测和监测超声热消融区域（US），综合比较了VGG16-FCN、U-Net、UNet++、注意力U-Net、MultiResUNet和ResUNet的性能，这些网络在医学图像分割方面表现出突出的性能。在离体猪肝消融数据集和临床肝肿瘤消融数据集上对模型进行训练，以评估其预测能力。

结果表明:以1000份离体猪肝消融样本为训练样本，200份测试样本，UNet++获得最高的Dice评分(DSC)0.7824±0.1098，最佳的Hausdorff距离(HD)2.70±1.38mm。此外，考虑到潜在的临床用途，课题组通过对切除的数据集进行训练和对临床数据集进行测试来测试模型的泛化性。ResUNet获得了最高的DSC，UNet++获得了最高的HD。这些结果表明，在所有比较模型中，UNet++和ResUNet在所有比较模型中均具有相对出色的分割性能，是US临床消融治疗期间自动分割热消融区域的潜在候选模型。

研究表明，人工智能技术可以改善超声对热消融区域的监测。使用FCN可对消融区域进行更准确、客观的监测，提高治疗成功率。本研究还比较了几种FCN模型的性能，有助于研究人员和临床医生根据自身的具体需求选择最佳模型。总体而言，本研究对热消融治疗的未来以及人工智能在医学成像中的应用具有重要意义。

西安交通大学张思远教授课题组在超声监测热消融成像方面进行了一系列研究，在IEEE Transactions on Medical Imaging 、IEEE Journal of Biomedical and Health Informatics、IEEE Transactions on Instrumentation and Measurement、Ultrasonics、Ultrasound in Medicine and Biology等发表了13篇相关期刊论文，在IEEE International Ultrasonics Symposium (IUS)发表了9篇相关会议论文，授权国家发明专利4项，美国发明专利1项。