一种基于轮的双模态动态方法,用于宫血管超声波图像实例细分
Chenkai Chang1, Fei Qi2, Chang Xu1
1College of Information Science and Engineering, Hohai University, Changzhou 213200, Jiangsu, China.
Mathematical biosciences and engineering : MBE
|February 2, 2024
概括
这项研究引入了一种双模态深度学习方法,用于对动脉和关静脉超声图像进行细分,通过融合超声和光流数据来提高精度,以更好地可视化血管.
科学领域:
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
- 血管超声波是指血管超声波.
背景情况:
- 准确的动脉和静脉细分对于血管健康评估至关重要.
- 目前的单模态深度学习方法在捕捉复杂的血管结构方面面临局限性.
研究的目的:
- 开发一种新的双模态动态基于轮的实例细分方法.
- 集成超声波和光学流图像,以提高细分精度.
- 将拟议的方法与单模模式深度学习网络进行比较.
主要方法:
- 收集并策划了2432个动脉和静脉超声图像的数据集.
- 从超声波数据生成光流图像,以突出显示船舶轮.
- 开发了一种双流信息融合模块和可学习的轮初始化技术.
主要成果:
- 实现了0.814的边界框检测和0.842的面具细分的平均平均精度.
- 在定性分析中证明了血管的更光滑的细分边界.
- 在自己构建的血管超声图像数据集上验证了性能.
结论:
- 双模网络有效地利用了超声波和光流图像的互补特性.
- 与单模态方法相比,拟议的方法可以更准确地对动脉和静脉进行细分.
- 这种技术显示出在血管应用中精确可靠的医学图像分析的巨大潜力.


