超声图像散射体数密度鲁棒分割
图像与视频处理
2022-01-19 v1 计算机视觉与模式识别
摘要
定量超声(QUS)旨在利用临床扫描仪的背散射回波信号揭示组织微结构信息。在不同的QUS参数中,散射体数密度是影响其他QUS参数估计的重要属性。散射体数密度可分为高或低散射体密度。若分辨单元内有超过10个散射体,则包络数据被视为充分发育散斑(FDS),否则为欠发育散斑(UDS)。在传统方法中,包络数据被划分为小的重叠窗口(本文称之为分块策略),并利用信噪比和偏度等统计参数对每个包络数据块进行分类。然而,这些参数具有系统依赖性,即其分布会随成像设置和分块大小而改变。因此,需使用已知散射体数密度的参考体模在相同成像设置下成像,以减轻系统依赖性。本文旨在不对超声数据进行任何分块的情况下分割区域。利用快速仿真方法生成了具有不同形状散射体数密度和平均散射体幅度的大型数据集。我们采用卷积神经网络(CNN)执行分割任务,并研究了当网络在不同成像设置的数据集上测试时的域偏移影响。采用Nakagami参数图像进行多任务学习以提升性能。此外,受QUS中参考体模方法启发,提出了一种域适应阶段,仅需来自FDS和UDS类别的两帧数据。我们在不同的实验体模和体内数据上评估了所提方法。
引用
@article{arxiv.2201.06143,
title = {Robust Scatterer Number Density Segmentation of Ultrasound Images},
author = {Ali K. Z. Tehrani and Ivan M. Rosado-Mendez and Hassan Rivaz},
journal= {arXiv preprint arXiv:2201.06143},
year = {2022}
}
备注
Accepted in IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control