Enhancing Blood Flow Assessment in Diffuse Correlation Spectroscopy: A Transfer Learning Approach with Noise Robustness Analysis

要約

拡散相関分光法 (DCS) は、近赤外コヒーレント点光源照明を使用してスペクトル変化を検出することにより、組織の血流を測定する新しい非侵襲的技術です。
機械学習は血流指数 (BFi) の測定に大きな可能性を示していますが、このアプローチの成功に関する未解決の疑問は、さまざまな臨床に由来するさまざまな信号対雑音比 (SNR) を持つデータセット間の偏差を含むシナリオにおける堅牢性に関係しています。
アプリケーションや各種設定など。
この研究は転移学習アプローチを提案し、学習された特徴の汎化能力に対する SNR の影響を評価し、転移学習の堅牢性を実証することを目的としています。
さまざまなレベルの追加ノイズを含む合成データセットを利用して、さまざまな SNR をシミュレートします。
提案されたネットワークは、1×64 自己相関曲線を入力として受け取り、BFi と相関パラメーター ベータを生成します。
提案されたモデルは、さまざまな SNR にわたって優れたパフォーマンスを示し、他のフィッティング方法と比較した場合、特に低 SNR データセットで強化されたフィッティング精度を示します。
これは、異なる臨床設定の下でのさまざまなシナリオにわたる臨床診断と治療の可能性を強調しています。

要約(オリジナル)

Diffuse correlation spectroscopy (DCS) is an emerging noninvasive technique that measures the tissue blood flow, by using near-infrared coherent point-source illumination to detect spectral changes. While machine learning has demonstrated significant potential for measuring blood flow index (BFi), an open question concerning the success of this approach pertains to its robustness in scenarios involving deviations between datasets with varying Signal-to-Noise Ratios (SNRs) originating from diverse clinical applications and various setups. This study proposes a transfer learning approach, aims to assess the influence of SNRs on the generalization ability of learned features, and demonstrate the robustness for transfer learning. A synthetic dataset with varying levels of added noise is utilized to simulate different SNRs. The proposed network takes a 1×64 autocorrelation curve as input and generates BFi and the correlation parameter beta. The proposed model demonstrates excellent performance across different SNRs, exhibiting enhanced fitting accuracy, particularly for low SNR datasets when compared with other fitting methods. This highlights its potential for clinical diagnosis and treatment across various scenarios under different clinical setups.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google