合光斑噪声抑制与图像分类用于深度学习辅助超声波诊断
Ruixin Wang1, Xiaohui Liu2, Guoping Tan1
1College of Computer Science and Software Engineering, Hohai University, Nanjing 210098, People's Republic of China.
Physics in medicine and biology
|February 15, 2024
概括
这项研究引入了一个新的模块,通过增强功能并同时抑制斑点噪声来改进超声诊断的深度学习模型. 该MSHFFA模块提高了分类性能,而不需要大量的预处理,使人工智能辅助超声波更有效.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 深度学习 (DL) 模型对于超声波 (US) 诊断至关重要.
- 美国图像中的斑点噪声降低了DL模型的性能.
- 预先删除美国图像是常见的,但并不总是最佳的,并增加了复杂性.
研究的目的:
- 在DL辅助的美国诊断中开发一个端到端模块,同时进行特征增强和斑点噪声抑制.
- 通过整合排污和分类来克服预排污的局限性.
主要方法:
- 提出了一个基于高频率的多尺度特征增强 (MSHFFA) 模块.
- 利用离散波段变换将美国图像分解为低频和高频组件.
- 增强的DL模型具有从组件相关性得出的多尺度地图.
主要成果:
- 在实施MSHFFA后,所有六种测试的DL模型都在POCUS和BLU数据集上显示了F1得分的改善.
- 在POCUS数据集中,性能增长幅度从1.31%到8.17%不等.
- 在BLU数据集上,性能增长范围从0.46%到3.89%,参数增加最小.
结论:
- 该MSHFFA模块有效地提高了DL辅助的美国诊断性能.
- MSHFFA提供了广泛的适用性和效率,以提高诊断准确度.
- 这种方法无地整合了denoising和分类,保持了端到端的工作流.
