弱度和半监督的概率细分和对反响文物的量化

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 来自针头的反响文物降低了超声波图像质量.
• 这些文物对当前的计算机视觉算法构成了挑战.
• 文物的界限是模两可的,导致专家的标签分歧.

研究的目的:

• 开发一个弱和半监督的算法,用于细分针和回声器件.
• 为了将组织像素值与叠加的文物分开.
• 为了模拟文物强度衰变,并最大限度地减少人类标签错误.

主要方法:

• 采用了基于学习的三部分框架.
• 一个概率细分网络从人类输入中生成软标签.
• 一个转换函数和随后的网络生成了最终的文物面具.

主要成果:

• 算法区分了没有文物和文物区域.
• 它准确地模拟了文物中的强度下降.
• 性能与其他细分算法相比较有利.

结论:

• 该方法实现了最先进的文物细分性能.
• 它为估计每像素文物贡献提供了一个新的标准.
• 该算法增强了下游医疗图像分析任务.