无监督超声图像解释的深度谱方法

超声图像因非均匀强度、低对比度和固有伪影而难以解释， necessitating extensive training for non-specialists。先进的表征能够清晰地分离组织结构，对于映射底层解剖结构和区分不同组织层面具有重要帮助。将图像分解为语义有意义的分割主要通过监督分割算法实现。无监督方法因获取大量标记数据困难且昂贵而具有优势，但尽管已有优势，它们在超声图像上的应用仍需进一步探索。本文提出一种量身定制用于超声图像的新型无监督深度学习策略，以获得易于解释的组织分离。我们将无监督深度谱方法的关键概念与深度学习方法相结合，将自监督变压器特征用于谱聚类，以基于超声特定指标和形状及位置先验生成有意义的分割，确保数据集中的语义一致性。我们在三个超声数据集上评估了所提出的无监督深度学习策略，展示了在无需标签要求下跨解剖背景的定性结果。我们还对其他聚类算法进行比较分析，显示其在分割性能、边界保持和标签一致性方面具有优势。