基于深度变分聚类的专家无关超声图像质量评估
图像与视频处理
2023-07-10 v2 计算机视觉与模式识别
摘要
超声成像是多种诊断与治疗程序中的常用模态。然而,超声诊断严重依赖超声医师手动评估的图像质量,这削弱了诊断的客观性并使其依赖于操作者。基于监督学习的自动质量评估方法需要人工标注数据集,获取成本极高。这些超声图像质量偏低,且受观察者间感知差异导致的噪声标注影响,阻碍了学习效率。我们提出一种无监督超声图像质量评估网络US2QNet,消除了人工标注的负担与不确定性。US2QNet采用嵌入三个模块(预处理、聚类与后处理)的变分自编码器,联合增强、提取、聚类并可视化超声图像的质量特征表示。预处理模块通过图像滤波将网络注意力指向显著质量特征,而非被噪声干扰。后处理用于将特征表示的聚类可视化于二维空间。我们在膀胱超声图像质量评估上验证了所提框架。该框架达到了78%的准确率,且优于最先进的聚类方法。
引用
@article{arxiv.2307.02462,
title = {Expert-Agnostic Ultrasound Image Quality Assessment using Deep Variational Clustering},
author = {Deepak Raina and Dimitrios Ntentia and SH Chandrashekhara and Richard Voyles and Subir Kumar Saha},
journal= {arXiv preprint arXiv:2307.02462},
year = {2023}
}
备注
Accepted in IEEE International Conference on Robotics and Automation (ICRA) 2023