CP-UNet: Contour-based Probabilistic Model for Medical Ultrasound Images Segmentation

要約

深層学習ベースのセグメンテーション手法は、超音波画像内の病変を検出するために広く利用されています。
イメージング手順全体を通じて、超音波の減衰と散乱により輪郭のぼやけやアーチファクトの形成が引き起こされ、取得される超音波画像の鮮明さが制限されます。
この課題を克服するために、我々は輪郭ベースの確率的セグメンテーション モデル CP-UNet を提案します。これは、デコード中に輪郭への焦点を強化するようにセグメンテーション ネットワークをガイドします。
輪郭確率分布モデリングおよびエンコード段階でグローバル-ローカル特徴を取得できるようにする新しいダウンサンプリング モジュールを設計します。
さらに、ガウス混合モデルは最適化された特徴を利用して輪郭分布をモデル化し、病変境界の不確実性を捉えます。
3 つの超音波画像データセットに対するいくつかの最先端の深層学習セグメンテーション手法を用いた広範な実験により、私たちの手法が乳房および甲状腺病変のセグメンテーションでより優れたパフォーマンスを発揮することが示されました。

要約(オリジナル)

Deep learning-based segmentation methods are widely utilized for detecting lesions in ultrasound images. Throughout the imaging procedure, the attenuation and scattering of ultrasound waves cause contour blurring and the formation of artifacts, limiting the clarity of the acquired ultrasound images. To overcome this challenge, we propose a contour-based probabilistic segmentation model CP-UNet, which guides the segmentation network to enhance its focus on contour during decoding. We design a novel down-sampling module to enable the contour probability distribution modeling and encoding stages to acquire global-local features. Furthermore, the Gaussian Mixture Model utilizes optimized features to model the contour distribution, capturing the uncertainty of lesion boundaries. Extensive experiments with several state-of-the-art deep learning segmentation methods on three ultrasound image datasets show that our method performs better on breast and thyroid lesions segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google