L-融合:拉普拉斯胎儿超声分割及不确定性估计-计算机科学-基础模型-超声成像-医学图像分割.pdfVIP

L-融合:拉普拉斯胎儿超声分割及不确定性估计-计算机科学-基础模型-超声成像-医学图像分割.pdf

此“医疗卫生”领域文档为创作者个人分享资料,不作为权威性指导和指引,仅供参考
  1. 1、本文档共12页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多

L-融合:拉普拉斯胎儿超声分割及不确定性估计

JohannaP.Müller,RobertWright,ThomasG.Day,Lorenzo

Venturini,SamuelF.Budd,HadrienReynaud,JosephV.Hajnal,

RezaRazavi,andBernhardKainz

Friedrich–AlexanderUniversityErlangen–Nürnberg,DE

johanna.paula.mueller@fau.de

King’sCollegeLondon,London,UK

ImperialCollegeLondon,London,UK

译摘要产前超声(US)的准确分析对于早期检测发育异常至关重要。然而,

操作依赖性和技术限制(例如内在伪影和影响、设置错误)可能会使图像

中解释以及诊断不确定性的评估复杂化。

3我们提出了L-FUSION(Laplacian胎儿US分割与集成FoundatiON模

v型),一个通过无监督的规范学习和大规模基础模型整合不确定性量化,以

5

4实现正常和病理扫描中胎儿结构稳健分割的框架。我们建议利用随机分割

2网络的偶然性对数分布和带有快速Hessian估计的Laplace近似来仅从分

5

0割头部分估算知识不确定度。

.这使我们能够实现可靠的异常量化并提供即时诊断反馈。结合集成Dropout

3

0组件,L-FUSION能够在超声成像中通过增强的不确定性图和分割反事实

5来可靠地区分病变与正常胎儿解剖结构。它提高了对知识不确定性和偶然

2

:性不确定性解释的能力,并消除了手动疾病标签的需求。

v

i多数据集评估表明,L-FUSION实现了卓越的分割准确度和一致的不确定

x性量化,支持现场决策并为临床环境中推进胎儿超声分析提供了可扩展的

r

a解决方案。

Keywords:胎儿超声·基础模型·不确定性量化·分割

1介绍

胎儿超声成像是监测胎儿发育和早期发现潜在异常的重要工具,使及

时干预和支持最佳护理成为可能。异常检测率显著提高,从2000年代的

%增加到近年来的%,具体取决于病变类型[6]。然而,超

声图像存在噪声和阴影,并且解剖结构具有变异性与模糊性,这为临床医生

准确识别细微、早期或罕见异常带来了挑战。因此,预计使用机器学习模型

2Mülleretal.

的计算机辅助可以改善结果。此类模型通过提供一致且客观的评估来减轻

操作员依赖性,在某些选定的发展问题中,它们的检测率通常与人类观察相

当[5,21]。然而,当这些模型设计为在没有置信区间的情况下进行预测时,可

能缺乏向操作员传达其确定性的能力。在医疗保健这样的安全关键领域,

文档评论(0)

zikele + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档