超声波细分分析通过不同的和完整的解剖边界
Vanessa Gonzalez Duque1,2,3,4, Alexandra Marquardt5,6, Yordanka Velikova5,6
1Computer-Aided Medical Procedure and Augmented Reality (CAMP), CIT, Technical University of Munich, Garching bei Muenchen, Germany. vanessag.duque@tum.de.
概括
这项研究引入了一种新的方法来分析深度学习网络如何通过区分明显和完整的边界来分割超声波图像. 网络在完成的边界上表现得更好,类似于人类临床医生.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的深度学习
- 超声波细分 超声波细分
背景情况:
- 超声波图像的准确细分对于医学诊断和治疗至关重要.
- 当前的深度学习模型在如何定义边界方面缺乏透明度.
- 超声波成像对边界划分提出了独特的挑战.
研究的目的:
- 通过检查它们的学习边界来分析超声波细分网络.
- 在超声波图像中区分明确和完整的边界.
- 了解边界定义中的网络注意力机制.
主要方法:
- 将超声波图像边界分为不同的和完整的类别.
- 使用Grad-CAM可视化网络注意力在分裂边界.
- 量化不同和完整边界的预测准确性.
- 在各种超声数据集 (腿,甲状腺,神经,前列腺) 上进行实验.
主要成果:
- 网络在完成的边界上实现了大约10%的更好的性能,而不是不同的边界.
- 网络性能反映了临床观察,在较少可见的区域扎.
- Seg-Grad-CAM分析显示,明显的边界重点是闪亮的结构,而完成的边界则利用地标.
- 注意力机制影响了网络性能变化.
结论:
- 与MRI或CT相比,研究超声波边界需要不同的方法.
- 区分明确和完整的边界揭示了网络学习的质量.
- 一个3D腿部超声波数据集公开发布,以帮助研究.
