Core Concepts
Ein selbstüberwachtes Transformator-Framework zur Segmentierung von Kathetern in interventioneller Ultraschallbildgebung, das synthetische Ultraschalldaten und optischen Fluss nutzt, um eine Segmentierung ohne manuelle Etikettierung zu erreichen.
Abstract
Die Studie präsentiert einen Ansatz zur selbstüberwachten Segmentierung von Kathetern in interventioneller Ultraschallbildgebung. Der Ansatz, genannt CathFlow, verwendet eine Kombination aus synthetischen Ultraschalldaten, die aus CT-Labelkarten generiert werden, und optischem Fluss, um Segmentierungsmasken ohne manuelle Etikettierung zu erzeugen.
Der Workflow besteht aus drei Hauptkomponenten:
CACTUSS: Ein Verfahren zur Übersetzung von Ultraschallbildern in eine leicht segmentierbare Domäne mit weniger Rauschen.
FlowNet2 und Maskengeneration: Optischer Fluss wird verwendet, um Bewegungsmerkmale zu extrahieren und daraus Segmentierungsmasken zu generieren.
AiAReSeg: Ein Transformator-basiertes Segmentierungsnetzwerk, das die extrahierten Bewegungsmerkmale nutzt, um Katheter in Ultraschallbildern zu lokalisieren.
Die Leistung von CathFlow wurde auf synthetischen Ultraschalldatensätzen und Phantomdaten evaluiert und mit anderen unüberwachten Segmentierungsmodellen verglichen. Die Ergebnisse zeigen, dass CathFlow die Konkurrenz deutlich übertrifft und das Potenzial hat, in klinischen Anwendungen eingesetzt zu werden.
Stats
Die Studie verwendet Ultraschallbilder, die aus CT-Labelkarten synthetisch generiert wurden. Optischer Fluss wurde mit FlowNet2 berechnet, um Bewegungsmerkmale zu extrahieren.
Quotes
Keine relevanten Zitate identifiziert.