Tissue Deformation Estimation With Deep Learning on Ultrasound Data

Overvåking av pasienter som opereres er avgjørende for å sikre at hjertet opprettholder ønsket funksjonalitet og at akutt nyresvikt ikke oppstår. Per i dag gjennomføres den perioperative vurderingen manuelt ved klinisk observasjon og overvåking av vitale tegn. Helautomatisk overvåking av hjertefunksjon, og muligheten for ikke-invasive målinger av nyren, kan senke risikoen for komplikasjoner og redusere intraobserver variabiliteten. I løpet av de siste årene har dyp læring revolusjonert utførelsen av komplekse oppgaver som bildesegmentering og objektdeteksjon, og har også vært vellykket for medisinske applikasjoner. Denne oppgaven tar sikte på å bidra til helautomatisk monitorering basert på ultralydopptak, ved å undersøke muligheten for å spore gjenkjennbare punkter i nyrene og myokardium i hjertet med en dyp læringsmodell. Ved å bruke en bilde-til-bilde forflytningsestimering, kan punktene i vevet spores. Forflytningene er estimert av et konvolusjonelt nevralt nettverk, inspirert av tidligere arbeid innen bilderegistrering. Nettverket er trent ikke-veiledet (eng: unsupervised) og returnerer et lavtoppløselig forflytningsfelt. Deretter interpoleres feltet til et høyoppløselig felt som brukes for å finne forflytningsvektoren for hver piksel i bildene. I tillegg til det nevrale nettverket, brukes også Advanced Normalization Tools (ANTs) til å estimere forflytningsvektorene. Basert på posisjonen til punktene i basalsegmentene i hjertet, estimeres longitudinal strain. Disse estimerte verdiene sammenlignes med referanseverdier funnet av en ekkokardiograf. Resultatene viser at dyp læring gjør det mulig å estimere posisjonene til gjenkjennbare punkter i de fleste tilfeller, og at denne metoden estimerer raskere enn klassiske bilderegistreringsmetoder som ANTs. Estimatene fra ANTs er nærmere referanseverdiene på filtrerte ultralydsekvenser, enn for ufiltrerte