换一批基于无监督深度学习光流法的超声图像运动肌肉分割
Muscle Ultrasound Image Segmentation Based on Unsupervised Deep Learning Optical Flow Method
摘要准确的图像分割是图像引导治疗脑卒中后痉挛肌肉的基础.本研究提出了基于无监督深度学习的光流算法对运动的靶肌进行分割.由于运动肌肉的超声图像数据集并不具备以往静态超声图像数据集的标签,因而构建了一个无监督光流估计框架.通过增强的自我监督从未标记的图像序列中学习光流,同时为了避免视图合成的目标影响增强后数据的精确性,在转换图像中添加另一个前向传递来扭曲基本学习框架,其中监督来自原始图像的转换预测,最后借助高斯滤波,速度阈值过滤,边框检测过滤和凸包分割等技术从光流场中提取分割运动肌肉.在公开数据集 MPI Sintel、KITTI2012、KITTI2015、Flying Chairs 和 CityScapes(共 6 000 个基本模型的样本和 3 600 个多帧模型的样本)进行了基本测试、跨数据集泛化测试,在600张超声图像上进行了迁移测试.结果表明,该光流算法在不借助数据集光流标签的前提下可以有效地提取稠密光流场信息,平均端点误差为5.80,模型参数量降低到2.35 M,且具有较好的跨数据集泛化能力.在迁移测试中,与人工分割结果相比中心点偏移差值均值限制在1 mm以内,交并比评价指标均值高于0.9.实验结果表明该方法可以有效分割超声图像下的运动肌肉.
更多相关知识
关键词
靶肌分割稠密光流卷积神经网络无监督学习target muscle segmentationdense optical flowconvolutional neural networkunsupervised learning
分类号
R318（医用一般科学）
栏目名称
DOI
10.3969/j.issn.0258-8021.2025.04.006
发布时间
2025-10-11（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
