基于 U-Net 的超声分割：从模拟数据学习并在真实数据上测试
图像与视频处理
2020-01-22 v1 计算机视觉与模式识别
摘要
鉴于超声成像模态的易用性和低成本，超声图像分割在诊断和图像引导介入中是一项基本任务。由于手动分割繁琐且耗时，越来越多的研究聚焦于自动分割算法的开发。深度学习算法在这方面已展现出显著成就；然而，它们需要大型训练数据集。遗憾的是，在超声图像中准备大型标注数据集极其困难。因此，在本研究中，我们提出使用模拟超声（US）图像训练 U-Net 深度学习分割架构，并在超声机采集的仿组织体模数据上测试。我们证明在模拟数据上训练的架构可迁移至真实数据，因此当真实数据集不可用时，模拟数据可被视为一种替代训练数据集。本文的第二点贡献是我们在模拟数据集的包络和 B 模图像上训练我们的 U-Net 网络，并分别在体模的真实包络和 B 模图像上测试训练好的网络。我们表明包络数据的测试结果优于 B 模图像。
引用
@article{arxiv.1904.11031,
title = {Ultrasound segmentation using U-Net: learning from simulated data and testing on real data},
author = {Bahareh Behboodi and Hassan Rivaz},
journal= {arXiv preprint arXiv:1904.11031},
year = {2020}
}
备注
Accepted in EMBC 2019