基于深度学习的二维心脏超声图像分割模型在小规模数据集上的性能评估

目的:评估一种心脏超声分割算法:密集金字塔和深度监督神经网络(DPS-Net),在小规模数据集上的分割性能。方法:利用两个小规模心脏超声数据集,用于多结构超声分割的心脏超声采集(CAMUS)和HMC-QU数据集,在数据量和模型不同的情况下分别对DPS-Net进行对比实验。结果:DPS-Net在两个数据集上的性能随病例数的减少并未显著降低(在CAMUS中Dice系数由0.951下降到0.935),且其分割能力超过两种经典算法,取得了更好的分割结果。结论:DPS-Net在小规模数据集上也能很好地完成心脏超声分割任务,具有良好的临床应用潜力。

用于血管内成像的60 MHz高频超声换能器设计及其成像实验

在血管内超声成像系统中,超声换能器是重要的部件之一,对成像性能起决定性作用。提高超声换能器的成像分辨率可以获得更多图像细节,有助于临床获取动脉粥样硬化斑块的细节信息。此外,超声换能器还需要具有足够的穿透深度,能够对斑块和血管进行完整评估。而成像分辨率和成像深度都与超声换能器的频率密切相关,且二者相互制约。该文综合考虑了冠脉成像对成像分辨率与成像深度的要求,优化设计并制备了一种60 MHz的微型高频换能器。仿体实验表明,基于该换能器的超声成像分辨率可显著提高,且成像深度满足冠脉成像的需求。大动物活体实验结果表明,与商业40MHz换能器相比,该文所设计的换能器能更清楚地看到血管中膜内层边界和支架结构,可以为临床提供更精细的指导优化。