乳腺超聲分割：

文章指出周圍組織（即背景）和病變區域（即前景）之間的模式復雜性和強度相似性給病變分割帶來了挑戰?？紤]到背景中包含如此豐富的紋理信息，很少有方法嘗試探索和利用背景顯著表示來輔助前景分割。 此外，BUS 圖像的其他特征，即 1）低對比度外觀和模糊邊界，以及 2）病灶形狀和位置變化顯著，也增加了準確病灶分割的難度。

文中提出了saliency-guided morphology-aware U-Net (SMU-Net)。

Method:

1.Saliency Map Generation：

利用saliency map生成高潛力的顯著性區域來引導前景和背景的表征學習。sm合并低維度和高維度圖像結構，其中，低維度利用超像素聚類(superpixel clustering)，高維度利用區域聚類(region grouping)。

1) Low-Level Saliency Map:

超像素聚類局部相似像素點，但因為超聲影像組織和周圍其他區域外觀相似，并且病變組織是多變的，簡單的聚類很難獲得。

選擇三個不同簇數，并隨機手動選擇目標區域中的種子點，對于每張置信度圖，選擇種子點所在的區域合并。

2）High-Level Saliency Map:

超像素只局限在局部信息，忽略了物體的整個信息。此外，由于病變的大小差異很大，基于單尺度圖像的顯著圖生成將導致省略相對較小的區域。

使用hierarchical clustering，再聚集，得到multi-scale cluster hierarchy

2.Network Architecture

?

1）Main Network and Auxiliary Network: 均為U-Net

2) The Middle Stream: 四個block，每個由 background-assisted fusion, shape-aware, edge-aware and position-aware units組成

a) Background-assisted fusion unit:

?

b) Shape-aware unit:

預測圖P+形狀約束圖Y，l_c=mse(P,Y)

?

?

?

c) Edge-aware unit:

邊界信息可以保持目標的完整性和唯一性

d) Position-aware unit:

位置引導圖由原始圖片和三個種子點的中心確定

3. Hybrid Loss Function

主網絡loss + middle steam loss + shape-aware loss

前兩個用dice+CE。

Datasets and Experimen：

五個數據集+三個交叉驗證、另外兩個額外驗證

Comparison With State-of-the-Art Methods：1表+1圖

Efficacy of Auxiliary Network and Background-Assisted Fusion Unit：消融實驗，一張表

Efficacy of Morphology-Aware Units：消融實驗，一張箱狀圖

Parameter Analysis：（兩個圖）

a)關于Saliency Map Generation中，種子點數目 + w_l、w_h參數變化率

b)混合loss中超參數

Robustness Analysis：（四個表）

a) Robustness on Benign and Malignant Lesion Segmentation: 惡性比良性難分割，三個數據集在三種B、M比例下的結果

b)Robustness on Lesion Size: 將數據集中不同的大小區分來，看測試結果

c)Robustness on Lesion Shape::按是否為凸形分成常規形狀和非常規形狀，看測試結果

d) Robustness on Seed Point Position:種子點生成需要簡單的用戶交互，我們討論了不同觀察者提供的種子點位置對所提方法性能的影響。

Discussion：

A. External Validation:一張表

B.Comparison With Semi-Automatic Interactive Methods：一張圖+一張表

C. Comparison With Auto-Context-Based Methods：一張圖+一張表

總結

以上是生活随笔為你收集整理的医学论文笔记：TMI2021 SMU-Net: Saliency-Guided Morphology-Aware U-Net for Breast Lesion Segmentation ...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。