用于超声颈动脉易损斑块分割的带通道注意力与后处理的并行网络
图像与视频处理
2022-04-19 v1 计算机视觉与模式识别
摘要
颈动脉易损斑块是超声技术筛查动脉粥样硬化中的关键因素。然而，斑块受伪影、散斑噪声等多种噪声污染，且人工分割可能耗时。本文提出一种基于小数据集的自动卷积神经网络（CNN）方法，用于颈动脉超声图像中的斑块分割。首先，采用具有三个独立尺度解码器的并行网络作为基础分割网络，在三个分割子网络中使用金字塔膨胀卷积以扩大感受野。随后，将三个解码器合并并通过 SENet 在通道上校正。第三，在测试阶段，初始分割斑块经最大轮廓形态学后处理细化以获得最终斑块。此外，比较了 Dice 损失、SSIM 损失与交叉熵损失三种损失函数对斑块的分割效果。测试结果表明，所提采用 Dice 损失函数的方法在 30 例易损斑块上取得 Dice 值 0.820、IoU 0.701、Acc 0.969 及修正 Hausdorff 距离（MHD）1.43，在这些指标上优于部分传统基于 CNN 的方法。另外，我们进行了消融实验以展示各提出模块的有效性。我们的研究为类似研究提供了一定参考，并可能在超声颈动脉斑块分割的实际应用中发挥作用。
引用
@article{arxiv.2204.08127,
title = {Parallel Network with Channel Attention and Post-Processing for Carotid Arteries Vulnerable Plaque Segmentation in Ultrasound Images},
author = {Yanchao Yuan and Cancheng Li and Lu Xu and Ke Zhang and Yang Hua and Jicong Zhang},
journal= {arXiv preprint arXiv:2204.08127},
year = {2022}
}
备注
16 pages,6 figures