В статье, опубликованной в этом месяце в СИАМСКОМ Журнале на Науках Отображения, авторы Цзюлун, Лю, Сяоцюнь Чжан, Бен Дун, Зуауэи Шен и Лисюй Гу предлагают видео модель сегментации, чтобы признать ROI в ультразвуках. «Предложенная модель стремится отслеживать движущуюся границу в видео ультразвука эффективно и сильно с математически звуковой структурой», говорит Чжан. «Определенно, мы занимаемся проблемой при помощи структур небольшой волны и слияния шумовой статистики под вариационной структурой. Непрерывность и регулярность движущейся границы эффективно включены через взвешенную регуляризацию, не вводя тяжелое вычислительное бремя. Полный метод может быть эффективно решен с недавно разработанным быстрым алгоритмом, делая его полезным в режиме реального времени клинические заявления».
Многочисленные изданные методы сегментации изображения в настоящее время существуют, но Лю и др. определенно осуществляет вариационные методы, которые обычно используются для отслеживания движения и обнаружения края из-за их гибкости моделирования. «Вариационные методы были продемонстрированы, чтобы быть прочными и эффективными для сложных задач сегментации изображения», заявляет Dong. «Вариационная структура разрешает серьезный теоретический анализ моделей, которые могут хорошо вести моделирование себя и обеспечить фундаментальное понимание решений».Лю и др. также принял решение включить структуры небольшой волны, которые собирают больше детали, чем другие вариационные методы и эффективно низкокачественная видеозапись сегмента, такие как видео ультразвука. Это особенно верно, когда изображение включает особенности в различные весы. «Регуляризация структуры небольшой волны используется, потому что геометрические структуры и особенности в различных весах могут быть определены и извлечены эффективно из сложной шумовой окружающей среды в области небольшой волны», говорит Шен. «Это позволяет нам отслеживать и обострять геометрические формы, когда они сегментированы автоматически через последовательные изображения в видео».
Авторы проектировали свою модель, чтобы сегментировать видео ультразвука и последовательно и коллективно. Модель включает уголовное прошлое формы – тип распределения вероятности – в сегментации единственного изображения и вычисляет последовательное уголовное прошлое формы автоматически для последующих сегментаций.
Лю и др. применяет их модель к двум наборам данных видео ультразвука и получает числовые результаты, которые подтверждают способность модели эффективно отследить ROI. «Отображение ультразвука – важная модальность в клиническом применении из-за его низкой стоимости и мобильности», говорит Лю. «Однако его связанный анализ для точного диагноза и контроль все еще бросают вызов из-за низкого качества изображения, экспонатов и шума. Числовые результаты на реальных наборах данных ультразвука демонстрируют, что предложенная модель структуры небольшой волны с предшествующим расстоянием может отследить области интереса эффективно, и с точки зрения качества сегментации и с точки зрения вычислительное время».
Результаты выдерживают сравнение с другими подходами.Успех модели мог улучшить медицинские подходы и технологию, которые полагаются на сегментацию изображения, и Лю и др. надеется расширять ее использование. «Модель может быть далее расширена на другую модальность отображения или определить местонахождение мультирегиона одновременно», говорит Лю. «Больше геометрической и предшествующей информации может использоваться, чтобы увеличить надежность метода».
Такие продвижения продолжат увеличивать скорость, эффективность и выполнение сегментации изображения.