相关实验视频
Updated: Sep 10, 2025
13:45
Hybrid µCT-FMT imaging and image analysis
Published on: June 4, 2015
13.3K
LGFFM:用于超声波图像分割的局部化和全球化的频率融合模型
IEEE transactions on medical imaging
|August 19, 2025
概括
一个新的本地化和全球化频率融合模型 (LGFFM) 提高了超声波图像细分的准确性. 这种方法克服了噪音和低分辨率等挑战,改善了疾病查和诊断.
科学领域:
- 医学成像和诊断 医学成像和诊断
- 医疗保健中的人工智能
- 生物医学信号处理
背景情况:
- 精确的超声波图像细分对于疾病查和诊断至关重要.
- 神经网络方法看起来很有前途,但与超声波图像工件 (如噪音和低分辨率) 斗争.
- 现有的细分模型对于各种场景缺乏灵活性,包括器官和损伤细分.
研究的目的:
- 开发一种用于在各种场景中强大的超声波图像细分的新型模型.
- 为了解决当前处理超声波图像质量问题的方法的局限性.
- 为了提高细分模型的灵活性和概括性能.
主要方法:
- 提出了用于超声波图像分割的局部化和全球化频率融合模型 (LGFFM).
- 引入了一个并行双编码器 (PBE) 与本地特征块 (LFB) 和全球特征块 (GLB) 进行增强的特征提取.
- 开发了一个频域映射模块 (FDMM) 来捕获纹理和边缘细节,以及一个多域融合 (MDF) 来集成功能.
主要成果:
- 与最先进的方法相比,LGFFM显示出更高的细分精度.
- 该模型在各种超声数据集中显示了改进的概括性能.
- 在八个公共超声波数据集上进行了实验,涵盖四种不同类型的超声波数据集.
结论:
- 拟议的LGFFM有效地解决了超声波图像细分方面的挑战.
- LGFFM提供了更高的准确性和概括性,优于现有方法.
- 这种模型具有显著的潜力,可以改善超声波成像的临床应用.
