利用块统计的卷积神经网络进行超声散射体密度分类
图像与视频处理
2024-10-30 v1 计算机视觉与模式识别
机器学习
摘要
定量超声(QUS)能够揭示组织特性（如散射体密度）的关键信息。若每个分辨单元的散射体密度高于或低于10，则相应组织分别被视为充分发育散斑(FDS)或低密度散射体(LDS)。传统上，散射体密度是通过背散射回波幅度的估计统计参数来分类的。然而，若块尺寸较小，估计并不准确。这些参数还高度依赖于成像设置。本文提出一种用于QUS的卷积神经网络(CNN)架构，并使用仿真数据进行训练。我们进一步利用块统计作为额外输入通道来改善网络性能。我们使用仿真数据、实验体模和体内数据对网络进行评估。我们还将所提网络与不同的经典和深度学习模型进行比较，并证明其在具有不同散射体密度值的组织分类中的优越性能。结果还表明，所提网络能够使用不同的成像参数工作，且无需参考体模。本工作展示了CNN在超声图像中分类散射体密度的潜力。
引用
@article{arxiv.2012.02738,
title = {Ultrasound Scatterer Density Classification Using Convolutional Neural Networks by Exploiting Patch Statistics},
author = {Ali K. Z. Tehrani and Mina Amiri and Ivan M. Rosado-Mendez and Timothy J. Hall and Hassan Rivaz},
journal= {arXiv preprint arXiv:2012.02738},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication