使用深度学习的子宫自动3D超声分割

重症登革患者肺部超声影像中B线的自动检测

Automatic Detection of B-lines in Lung Ultrasound Videos From Severe Dengue Patients

Guy’s and St Thomas’ NHS Foundation Trust（盖伊和圣托马斯国民保健服务基金会信托）；King’s College London（伦敦国王学院）；King’s College Hospital NHS Foundation Trust（国王学院医院国民保健服务基金会信托）

肺部超声（LUS）成像用于评估肺部异常，包括由于各种疾病引起的液体泄漏到肺部而导致的B线伪影的存在。然而，这些伪影的手动检测是具有挑战性的。在本文中，我们提出了一种新的方法，使用弱标签训练的深度神经网络自动检测和定位LUS视频中的B线。为此，我们将卷积神经网络（CNN）与长短期记忆（LSTM）网络和时间注意力机制相结合。四个不同的模型进行了比较，使用60例患者的数据。实验结果表明，我们的最佳模型能够以0.81的F1值判断一秒视频是否包含B线，并以87.5%的准确率提取出具有B线的代表性帧。

2021-02-01cs.CVcs.LGeess.IV

自由式产科超声探头移动的自动引导

Automatic Probe Movement Guidance for Freehand Obstetric Ultrasound

University of Oxford（牛津大学）

我们提出了第一个系统，提供实时探头移动指导采集常规徒手产科超声扫描的标准平面。这种系统可以通过降低操作员所需的专业知识水平，促进产科超声扫描在世界范围内的部署。该系统采用人工神经网络，该人工神经网络接收超声视频信号和附接到探头的惯性测量单元（IMU）的运动信号，并且预测引导信号。被称为US-GuideNet的网络预测朝向标准平面位置的移动（目标预测），或者专家声谱仪医师将执行的下一个移动（动作预测）。虽然其他超声应用的现有模型是用模拟或幻影训练的，但我们用真实世界的超声视频和来自17名经认证的超声医师的464次常规临床扫描的探头运动数据训练我们的模型。对3种标准机型的仿真结果表明，该模型对目标预测的准确率为88.8%，对动作预测的准确率为90.9%。

2020-07-08cs.CVcs.LGeess.IV

基于深度时空背景学习的超声血管自动分割

Automatic ultrasound vessel segmentation with deep spatiotemporal context learning

Philips Research North America（飞利浦北美研究院）；Johns Hopkins University（约翰斯·霍普金斯大学）

准确、实时地分割超声图像序列中的血管结构可以帮助测量管腔直径和评估血管疾病。然而，这仍然是一项具有挑战性的任务，特别是对于难以可视化的极小血管。我们建议利用超声中丰富的时空背景来改善小规模下肢动脉血管系统的分割。我们描述了高效的深度学习方法，这些方法在多个分辨率尺度上结合了时间、空间和特征感知的上下文嵌入，同时联合利用来自B模式和彩色多普勒信号的信息。评估股动脉和胫动脉扫描进行健康受试者的专家超声检查，并比较共识专家地面实况注释的内腔边界，我们展示了实时分割使用的上下文感知模型，并表明，他们显着优于可比的基线方法。

2021-11-03cs.AIcs.CVcs.LG

改进的乳腺超声图像分割：半自动两点直方图分割技术

Improving Segmentation of Breast Ultrasound Images: Semi Automatic Two Pointers Histogram Splitting Technique

Illinois Institute of Technology（伊利诺伊理工学院）；Rutgers University（罗格斯大学）

乳腺超声图像中存在噪声、斑点噪声和伪影，因此自动分割乳腺超声图像中的病变区域是一个具有挑战性的问题。BUS图像的边缘图也没有帮助，因为在大多数情况下，边缘图没有提供任何信息。几乎所有的分割技术都是以图像的边缘图作为第一步，尽管也有一些算法试图避免边缘图。改进乳腺超声图像的边缘图从理论上提高了自动分割的机会，更精确。在本文中，我们提出了一个半自动的技术直方图分裂使用两个指针。在这里，用户只需选择两个最初猜测的点，表示感兴趣区域（ROI）上的圆。该方法将自动研究内部直方图，并使用两个指针将其拆分。输出的BUS图像具有改进的边缘图，并且最终在其上的分割与使用相同算法和相同初始化的常规分割相比更好。此外，我们进一步处理边缘图，以减少边缘像素与面积的比例，提高均匀性和未来容易分割的机会。

2022-10-20cs.CVeess.IV

POCOVID-Net：从新的肺部超声成像数据集（POCUS）中自动检测COVID-19

POCOVID-Net: Automatic Detection of COVID-19 From a New Lung Ultrasound Imaging Dataset (POCUS)

ETH Zurich（苏黎世联邦理工学院）；Clinique des Grangettes（格兰奇诊所）；Biomedical Research Institute August Pi i Sunyer（奥古斯特·皮·苏涅尔生物医学研究所）；Technische Universität München（慕尼黑工业大学）

随着COVID-19迅速发展为全球大流行病，对可协助医生诊断COVID-19的廉价、快速及可靠工具的需求日益迫切。CT等医学成像可以在补充分子生物学的传统诊断工具方面发挥关键作用，并且使用深度学习技术，使用CT或X射线数据证明了几种自动系统具有良好的性能。在此，我们提倡床旁超声成像在指导COVID-19检测方面发挥更突出的作用。超声波是非侵入性的，在全球各地的医疗设施中无处不在。我们的贡献是三方面的。首先，我们收集了一个肺部超声（POCUS）数据集，包括1103张图像（654张COVID-19，277张细菌性肺炎和172张健康对照），从64个视频中采样。该数据集是从各种在线来源收集的，专门为深度学习模型处理，旨在作为开放获取计划的起点。其次，我们在这个3类数据集上训练深度卷积神经网络（POCOVID-Net），并实现了89%的准确率，并且通过多数投票，视频准确率为92%。特别是对于检测COVID-19，该模型在5倍交叉验证中的灵敏度为0.96，特异性为0.79，F1得分为0.92。第三，我们提供了一个开放访问的Web服务（POCOVIDScreen），可在https://pocovidscreen.org上获得。该网站部署了预测模型，允许对超声肺部图像进行预测。此外，它还允许医务人员选择（批量）上传自己的筛查结果，以便为不断增长的病理性肺部超声图像公共数据库做出贡献。数据集和代码可…

2021-01-24cs.CVcs.LGeess.IV

深度学习在实时的超声视频中自动跟踪舌面，用地标代替轮廓

Deep Learning for Automatic Tracking of Tongue Surface in Real-time Ultrasound Videos, Landmarks instead of Contours

University of Ottawa（渥太华大学）

医学超声成像的一个用途是在实时的【形】语音期间可视化和表征人类舌头形状和运动，以研究健康或受损的语音产生。由于超声图像的低对比度特性和噪声性质，在诸如第二语言的视觉训练之类的应用中，非专家用户可能需要专门知识来识别舌头手势。此外，舌运动的定量分析需要舌背轮廓的提取、跟踪和可视化。人工舌轮廓提取是一项繁琐、主观且容易出错的任务。此外，对于实时的【形】应用，它不是一个可行的解决方案。深度学习的发展已经在各种计算机视觉任务中得到了大力利用，包括超声舌头轮廓跟踪。在现有的方法中，舌体轮廓的提取过程包括图像分割和后处理两个步骤。提出了一种基于深度神经网络的自动实时的【形】舌体轮廓跟踪方法。在所提出的方法中，而不是两个步骤的过程中，舌表面的地标进行跟踪。这一新的想法使该领域的研究人员能够从先前注释的数据库中受益，以获得高准确度的结果。我们的实验揭示了所提出的技术在泛化，性能和准确性方面的出色表现。

2020-03-16cs.CLcs.CVcs.LG

在超声视频中自动识别和区分病灶以促进单病灶检查

Automatic nodule identification and differentiation in ultrasound videos to facilitate per-nodule examination

本文提出了一种基于深度学习的超声视频病灶重识别系统，通过特征提取和实时聚类算法实现病灶的自动识别与区分，以提高单病灶检查的效率。

2025-11-22cs.LGeess.IV

一种用于自动胎儿脑生物测量的双对抗校准框架

A Dual Adversarial Calibration Framework for Automatic Fetal Brain Biometry

University of Oxford（牛津大学）；Amazon（亚马逊）；Kings College London（伦敦国王学院）

本文提出了一种新的方法，自动胎儿脑生物测量的动机在低收入和中等收入国家的需要。具体来说，我们利用高端（HE）超声图像来构建低成本（LC）床旁超声图像的生物测量解决方案。我们提出了一种新的无监督域自适应方法来训练深度模型，使其对图像类型之间的显著图像分布变化保持不变。我们提出的方法采用双对抗校准（DAC）框架，由对抗路径组成，这些对抗路径强制模型不变性; i）来自LC图像的特征空间中的对抗扰动，以及ii）外观域差异。我们的双对抗校准方法估计来自低成本超声设备的图像上的经小脑直径和头围，平均绝对误差（MAE）为2.43 mm和1.65 mm，而SOTA分别为7.28 mm和5.65 mm。

2021-08-28cs.CVcs.LGeess.IV

Pose-GuideNet：基于姿态估计的胎儿头部超声自动扫描引导

Pose-GuideNet: Automatic Scanning Guidance for Fetal Head Ultrasound from Pose Estimation

Institute of Biomedical Engineering, University of Oxford（牛津大学生物医学工程研究所）；Nuffield Department of Women’s & Reproductive Health, University of Oxford（牛津大学纳菲尔德妇女与生殖健康系）

本研究提出Pose-GuideNet，一种无需三维超声的二维/三维配准方法，通过估计胎儿头部三维姿态引导超声医师定位标准切面，在临床任务中表现优异，验证了无传感器环境下徒手超声导航的可行性。

2024-08-19cs.CVeess.IV

基于小波和Radon变换的肺部超声图像自动特征检测

Automatic Feature Detection in Lung Ultrasound Images using Wavelet and Radon Transforms

本研究提出基于小波和Radon变换的方法，自动检测肺部超声图像中的胸膜线、A线和B线，在200张真实图像上分别达到100%、86%和62%的F2分数，验证了其有效性。

2023-06-22eess.IV

基于统计形状模型和卷积神经网络的三维经直肠超声图像前列腺自动分割

Automatic Segmentation of the Prostate on 3D Trans-rectal Ultrasound Images using Statistical Shape Models and Convolutional Neural Networks

The University of British Columbia（不列颠哥伦比亚大学）

在这项工作中，我们建议使用卷积神经网络（CNN）和统计形状模型（SSM）在具有挑战性的经直肠超声（TRUS）图像数据集上分割前列腺。TRUS通常用于前列腺的许多图像引导干预。在这些图像中对器官进行快速准确的分割对于规划和与其他模态（如磁共振图像（MRI））融合至关重要。然而，TRUS具有有限的软组织对比度和信噪比，这使得分割前列腺的任务具有挑战性，并且受到观察者间和观察者内变化的影响。这在腺体边界难以界定的基部和顶端处尤其成问题。在本文中，我们的目标是解决这个问题，利用形状先验知识的MR数据集，具有较高的软组织对比度，使前列腺轮廓更准确。我们使用该形状先验结合由CNN计算的前列腺组织概率图进行分割。

2021-06-17cs.CVeess.IV

基于超声剪切波弹性成像的多模态主动学习肝纤维化自动诊断

Multi-Modal Active Learning for Automatic Liver Fibrosis Diagnosis based on Ultrasound Shear Wave Elastography

Shenzhen Research Institute of Big Data, the Chinese University of Hong Kong（香港中文大学深圳大数据研究院）；Huazhong University of Science and Technology（华中科技大学）；Shenzhen Third People’s Hospital（深圳市第三人民医院）

随着放射组学的发展，超声等无创诊断技术在肝纤维化自动诊断中发挥着重要作用。由于超声图像数据噪声大、标注费用高，人工智能辅助方法的应用遇到了瓶颈。此外，单模态超声数据的使用限制了分类结果的进一步提高。在这项工作中，我们创新性地提出了一个多模态融合网络与主动学习（MMFN-AL）ALFD利用多模态的信息，消除噪声数据，降低标注成本。四种图像模式，包括US和三种类型的剪切波弹性成像（SWES）被利用。包含来自214个候选者的这些模态的新数据集被很好地收集和预处理，其中标签从肝活检结果获得。实验结果表明，我们提出的方法优于国家的最先进的性能，使用不到30%的数据，并通过仅使用约80%的数据，所提出的融合网络达到高AUC 89.27%和准确率70.59%。

2020-11-02cs.CVeess.IV

基于卷积神经网络的冈上肌腱病超声图像自动识别

Automatic Recognition of the Supraspinatus Tendinopathy from Ultrasound Images using Convolutional Neural Networks

NRP Co.（NRP公司）；Tarbiat Modares University（塔比阿特莫达勒斯大学）；AJA University of Medical Science（AJA医科大学）；Neshat Physical Medicine and Rehabilitation Center（内沙特物理医学与康复中心）

肌腱损伤，如肌腱病，全层和部分层撕裂是普遍的，冈上肌腱（SST）是最脆弱的肩袖。SST肌腱病的早期诊断非常重要，但超声成像很难实现。在本文中，自动肌腱病识别框架的基础上，卷积神经网络已被提出，以协助诊断。这个框架有肌腱分割和分类两个基本部分。肌腱分割是通过一种新的网络，NASUNet，它遵循编码器-解码器架构的范例，并利用多尺度放大单元。此外，一个通用的分类流水线已经提出了肌腱病变识别，支持不同的基础模型作为特征提取引擎。已经引入了包括肌腱区域的位置信息的两个特征图作为网络输入，以使分类网络具有空间感知性。为了评估肌腱病变识别系统，已经采集了由100个SST超声图像组成的数据集，其中肌腱病变病例通过磁共振成像进行双重验证。在分割和分类任务中，训练数据的缺乏通过结合知识转移、转移学习和数据增强技术得到了补偿。在交叉验证实验中，所提出的肌腱病识别模型实现了91%的准确性，86.67%的灵敏度和92.86%的特异性，显示出与其他模型相比最先进的性能。

2020-11-23cs.CVeess.IV

基于超声导航切除的结直肠癌肝转移自动分割

Automatic segmentation of colorectal liver metastases for ultrasound-based navigated resection

Netherlands Cancer Institute（荷兰癌症研究所）；University of Twente（特文特大学）

本文提出基于裁剪区域训练的三维U-Net，对术中超声中的结直肠癌肝转移进行自动分割，在极少人工输入下实现近实时、无需配准的手术导航，精度接近专家水平并显著缩短操作时间。

2025-11-07cs.CVeess.IV

基于Stacked Hourglass网络的超声脊柱图像椎体特征自动分割

Automatic segmentation of vertebral features on ultrasound spine images using Stacked Hourglass Network

ShanghaiTech University（上海科技大学）；University of Chinese Academy of Sciences（中国科学院大学）；University of Alberta（阿尔伯塔大学）

目的：棘突角是表征脊柱三维畸形的重要参数之一。我们提出了一种基于堆叠沙漏网络（SHN）的自动分割方法，用于检测超声（US）脊柱图像上的棘突（SP），并测量临床脊柱侧凸受试者的SPAs。研究方法：该网络经过训练，在1200张超声横向图像上检测椎体SP和椎板作为5个标志，并在100张图像上进行验证。所有处理后的横断面图像，SP和椎板被突出显示，重建成3D图像体积，并在投影冠状面图像上测量SPAs。通过计算正确关键点的百分比（PCK），在400张图像上对训练好的网络进行了测试;通过比较US图像和X线片的结果，对50名脊柱侧凸受试者的SPA测量结果进行了评估。结果：训练后的网络在测试数据集上获得了较高的平均PCK（86.8%），特别是SP检测的PCK为90.3%。两种方法测量的SPAs具有良好的相关性（r>0.85），平均绝对差（MAD）为3.3°，小于临床可接受误差（5°）。结论：利用SHN可以在US脊柱图像上准确地分割椎体特征，并且US数据的SPA测量结果与X线摄影的金标准相当。

2021-05-24cs.CVeess.IV

超声引导硬膜外注射中腰椎解剖结构的自动检测

The automatic detection of lumber anatomy in epidural injections for ultrasound guidance

Amirkabir University of Technology（阿米尔卡比尔理工大学）；Louisiana State University（路易斯安那州立大学）；Shaheed Beheshti University of Medical Sciences（沙希德贝赫什提医科大学）

本文提出结合形态学增强、Ramer-Douglas-Peucker 算法与 Hough 变换的超声椎板骨检测方法，以更快估计硬膜外深度，并在合成和真实图像上优于基于 LF 模板匹配的方法。

2023-12-07cs.CVeess.IV

基于亲和聚类的超声曲线角自动测量用于青少年特发性脊柱侧凸评估

Automatic Ultrasound Curve Angle Measurement via Affinity Clustering for Adolescent Idiopathic Scoliosis Evaluation

The Hong Kong Polytechnic University（香港理工大学）；The Chinese University of Hong Kong（香港中文大学）；Joint Scoliosis Research Center of the Chinese University of Hong Kong and Nanjing University（香港中文大学与南京大学联合脊柱侧弯研究中心）；Nanjing University（南京大学）

本文提出一种基于双分支网络与亲和聚类的自动超声曲线角测量方法，用于青少年特发性脊柱侧凸评估，实验显示其与Cobb角高度相关（R²=0.858），有望替代人工测量。

2024-05-07cs.AIcs.CVeess.IV

儿童语音中来自原始超声的语音段的说话人无关分类

Speaker-independent classification of phonetic segments from raw ultrasound in child speech

University of Edinburgh（爱丁堡大学）

超声舌成像（UTI）提供了一种方便的方法来可视化语音产生过程中的声道。UTI越来越多地用于语言治疗，因此开发自动方法来协助目前由语言治疗师执行的各种耗时的手动任务变得非常重要。一个关键的挑战是将超声舌图像的自动处理推广到以前看不见的扬声器。在这项工作中，我们研究了语音段（舌头形状）的分类，从原始超声记录在几个训练方案：扬声器依赖，多扬声器，扬声器独立，扬声器适应。我们观察到，当应用于训练时没有看到的说话者的数据时，模型表现不佳。然而，当提供最小的附加扬声器信息时，例如平均超声帧，模型更好地推广到看不见的扬声器。

2019-07-01cs.CLcs.CVcs.LG

经腹超声图像中前列腺体积的自动估计

Automatic Prostate Volume Estimation in Transabdominal Ultrasound Images

Netherlands Cancer Institute（荷兰癌症研究所）；University of Twente（特文特大学）

针对经腹超声（TAUS）图像前列腺体积（PV）估算面临的挑战，本研究提出基于深度学习的自动PV估算框架，整合轴位与矢状位分割模型，实现无创、准确的PV估算，为前列腺癌风险分层提供支持。

2025-02-11cs.CVeess.IV

使用磁共振成像肿瘤标注在二维术中超声图像中进行自动脑肿瘤分割

Automatic brain tumor segmentation in 2D intra-operative ultrasound images using magnetic resonance imaging tumor annotations

Department of Health Research（健康研究系）；SINTEF Digital（SINTEF数字）；Department of Physics（物理系）；Norwegian University of Science and Technology (NTNU)（挪威科学与技术大学（NTNU））；Department of Circulation and Medical Imaging（循环与医学成像系）；St. Olavs hospital（圣奥拉夫医院）；Department of Neuromedicine and Movement Science（神经医学与运动科学系）

本文提出利用更易获取的MRI肿瘤标注，通过图像配准转移至iUS图像来训练nnU-Net模型，实现术中超声脑肿瘤自动分割，其效果与iUS标注训练的模型相当。

2025-08-15cs.CVcs.LGeess.IV

用于超声舌成像的自动视听同步

Automatic audiovisual synchronisation for ultrasound tongue imaging

University of Edinburgh（爱丁堡大学）；University of Strathclyde（思克莱德大学）

超声舌成像用于在语音产生期间可视化口内发音器官。它被用于一系列应用，包括言语和语言治疗以及语音学研究。超声和语音音频是同时记录的，为了正确使用这些数据，这两种模式应该正确同步。在记录时使用专用硬件实现同步，但这种方法在实践中可能失败，导致数据的可用性有限。在本文中，我们解决了数据收集后自动同步超声和音频的问题。我们首先调查专家超声用户同步错误的容忍度，以找到检错检测的阈值。我们使用这些阈值来定义准确性评分边界，以评估我们的系统。然后，我们描述了我们的自动同步方法，该方法由自监督神经网络驱动，利用两个信号之间的相关性来同步它们。我们对来自具有不同扬声器特性、不同设备和不同录音环境的多个域的数据进行训练，并在保持的域内数据上实现了>92.4%的准确率。最后，我们介绍了一种新的资源，裂缝数据集，我们收集了一个新的临床亚组，硬件同步证明是不可靠的。我们将我们的模型应用于这个域外数据，并与专家用户主观地评估其性能。结果表明，用户更喜欢我们的模型的输出超过原来的硬件输出的79.3%的时间。我们的研究结果表明，我们的方法的力量和能力，从新的领域推广到数据。

2021-05-31cs.CLcs.LGcs.SD

使用深度学习和超声成像对慢性伤口愈合进行无创监测的初步研究

Initial Investigations Towards Non-invasive Monitoring of Chronic Wound Healing Using Deep Learning and Ultrasound Imaging

FAU Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希·亚历山大大学）；University of California, San Diego（加利福尼亚大学圣地亚哥分校）

包括糖尿病和动脉/静脉功能不全损伤在内的慢性伤口已成为全球医疗保健系统的主要负担。人口变化表明，伤口护理将在未来几十年发挥更大的作用。预测和监测对伤口护理中的治疗的响应目前主要基于视觉检查，而关于下层组织的信息很少。因此，迫切需要在护理点促进个性化诊断和治疗的创新方法。最近已经表明，超声成像可以监测伤口护理中对治疗的反应，但这项工作需要繁重的手动图像注释。在这项研究中，我们提出了基于深度学习的超声图像中横截面伤口尺寸自动分割的初步结果，并确定了未来研究这一应用的要求和挑战。对分割结果的评估强调了所提出的深度学习方法补充非侵入性成像的潜力，Dice评分为0.34（U-Net，FCN）和0.27（ResNet-U-Net），但也强调了进一步提高鲁棒性的必要性。我们的结论是，深度学习支持的无创超声图像分析是一个很有前途的研究领域，可以自动提取横截面伤口大小和深度信息，在监测治疗反应方面具有潜在价值。

2022-01-25cs.CVcs.LGeess.IV

利用CNN实现超声弹性成像中的帧自动选择

Automatic Frame Selection using CNN in Ultrasound Elastography

Concordia University（康考迪亚大学）；University of Montreal（蒙特利尔大学）

超声弹性成像用于通过监测组织对内部或外部力的响应来估计组织的机械特性。根据不同组织的力学特性，从不同类型的组织中获得不同程度的变形，其中较硬的组织变形较小。给定在一些变形之前和之后收集的两个射频（RF）帧，我们通过比较RF帧来估计位移和应变图像。应变图像的质量取决于变形期间发生的运动类型。平面内轴向运动导致高质量的应变图像，而平面外运动导致低质量的应变图像。在本文中，我们介绍了一种新的方法，使用卷积神经网络（CNN），以确定一对RF帧的弹性成像在只有5.4毫秒的适用性。我们的方法也可以用来自动选择最好的RF帧对，产生高质量的应变图像。CNN在3,818对RF帧上进行了训练，而在986对新的未见过的帧上进行了测试，准确率超过91%。从体模和体内数据中收集RF帧。

2020-05-20cs.LGeess.IVstat.ML

半自动超声图像分析系统对COVID-19肺炎的分级诊断

A semi-automatic ultrasound image analysis system for the grading diagnosis of COVID-19 pneumonia

Tsinghua University（清华大学）；Capital Medical University（首都医科大学）；Beijing Ditan Hospital（北京地坛医院）

本文提出了一种基于肺部超声（LUS）图像中特定图像模式的定量表征的半自动系统，以评估COVID-19肺炎患者的肺部状况，以及区分严重/非严重病例。具体地，从每个LUS图像提取四个参数，即胸膜线的厚度（TPL）和粗糙度（RPL），以及B线的累积宽度（AWBL）和声学系数（ACBL）。本研究入组了27例患者，其中中度患者13例，重度患者7例，危重患者7例。此外，重度和危重患者被视为重度病例，中度患者被视为非重度病例。比较各组间的生物标志物。每个单一生物标志物和具有所有生物标志物作为输入的分类器分别用于严重病例和非严重病例的二元诊断。该分类器在所有比较的方法中实现了最佳的分类性能（受试者工作特征曲线下的面积= 0.93，灵敏度= 0.93，特异性= 0.85）。所提出的图像分析系统可潜在地应用于COVID-19肺炎患者的分级和预后评估。

2021-11-04cs.CVeess.IVphysics.med-ph

使用深度学习从超声数据中自动进行小鼠胚胎脑组织和身体分割和突变分类

Automatic Mouse Embryo Brain Ventricle & Body Segmentation and Mutant Classification From Ultrasound Data Using Deep Learning

New York University（纽约大学）；Tandon School of Engineering, New York University（纽约大学坦登工程学院）；Riverside Research（河滨研究院）；Skirball Institute of Biomolecular Medicine, New York University School of Medicine（纽约大学医学院斯基尔比尔分子医学研究所）

高频超声（HFU）非常适合用于体内胚胎小鼠成像，因为它是非侵入性和实时的。从3D HFU图像中手动分割脑室（BV）和全身非常耗时，并且需要专门的培训。本文提出了一种基于深度学习的分割流水线，该流水线可以自动执行目前为研究小鼠胚胎发育中的基因突变而执行的几项耗时、重复的任务。也就是说，尽管由于胚胎的位置和形状变化以及成像伪影而存在重大挑战，但流水线准确地分割小鼠胚胎的3D HFU图像中的BV和身体区域。基于BV分割，进一步训练3D卷积神经网络（CNN）以检测具有Engrailed-1（En 1）突变的胚胎。该算法实现了0.896和0.925骰子相似系数（DSC）BV和身体分割，分别为95.8%的突变分类的准确率。通过基于梯度的询问和可视化的训练分类器，它被证明，该模型专注于已知的形态结构受En 1突变。

2019-09-23cs.CVeess.IV

乳腺X线和超声联合神经元分析的乳腺病变自动分类

Automatic Breast Lesion Classification by Joint Neural Analysis of Mammography and Ultrasound

School of Electrical Engineering, Tel-Aviv University（特拉维夫大学电气工程学院）；The Manuel and Raquel Klachky Chair of Image Processing, School of Electrical Engineering, Tel-Aviv University（特拉维夫大学电气工程学院 Manuel and Raquel Klachky 图像处理教授职位）；Diagnostic Imaging, Sheba Medical Center, affiliated to the Sackler School of Medicine, Tel-Aviv University（舍巴医疗中心诊断影像科，隶属于特拉维夫大学萨克勒医学院）

乳腺X线摄影和超声被放射科医生广泛用作补充模式，以实现更好的乳腺癌诊断性能。然而，现有的用于乳房的计算机辅助诊断（CAD）系统通常基于单一模态。在这项工作中，我们提出了一种基于深度学习的方法，用于从各自的乳房X光检查和超声图像中对乳腺癌病变进行分类。我们提出了各种方法，并显示出一致的性能改善时，利用这两种方式。所提出的方法基于GoogleNet架构，在两个训练步骤中针对我们的数据进行了微调。首先，为每种模态单独训练一个不同的神经网络，生成高级特征。然后，源自每个模态的聚合特征被用于训练多模态网络以提供最终分类。在定量实验中，所提出的方法实现了0.94的AUC，优于在单一模态上训练的最先进的模型。此外，它的表现与普通放射科医生相似，超过了参与读者研究的四分之二的放射科医生。有希望的结果表明，该方法可能成为一个有价值的决策支持工具，乳腺放射科医生。

2020-09-23cs.CVeess.IV

基于多任务深度学习的胎儿超声图像分割

Fetal Ultrasound Image Segmentation for Measuring Biometric Parameters Using Multi-Task Deep Learning

Isfahan University of Technology（伊斯法罕理工大学）；University of Michigan（密歇根大学）

超声成像是怀孕期间的标准检查，可用于测量特定的生物特征参数，以进行产前诊断和估计胎龄。胎儿头围是决定胎儿生长发育和健康状况的重要因素之一。本文提出了一种多任务深度卷积神经网络，通过最小化由分割骰子分数和椭圆参数的MSE组成的复合代价函数来自动分割和估计HC椭圆。在不同孕期的胎儿超声数据集上的实验结果表明，分割结果和提取的HC与放射科医生的注释匹配良好。所获得的胎头分割的骰子分数和HC评价的准确性与最新技术相当。

2019-08-31cs.CVcs.LGeess.IV

基于MLP神经网络的超声弹性成像帧自动选择

Automatic Frame Selection Using MLP Neural Network in Ultrasound Elastography

Concordia University（康考迪亚大学）

超声弹性成像通过在组织由于外力或内力而变形之前和之后收集的两个射频（RF）帧来估计组织的机械特性。这项工作的重点是应变成像在准静态弹性成像，其中的组织经历缓慢的变形和应变图像估计作为弹性模量的替代。应变图像的质量在很大程度上取决于底层变形，如果底层变形不合适，即使是最好的应变估计算法也不能估计出良好的应变图像。在这里，我们介绍了一种新的方法来跟踪RF帧，并自动选择最佳的可能对。我们通过将轴向位移图像分解为主成分（离线计算）乘以其相应权重的线性组合来实现这一点。然后，我们使用计算的权重作为输入特征向量的多层感知器（MLP）分类器。输出是一个二进制判决，1表示好帧，0表示坏帧。我们的MLP模型在体内数据集上进行训练，并在体内和体模数据的不同数据集上进行测试。结果表明，通过使用我们的技术，我们将能够实现更高质量的应变图像相比，传统的方法，拿起对是1，2或3帧分开。我们的算法的训练阶段是计算昂贵的，需要几个小时，但它只完成一次。测试阶段仅需1.9 ms即可选择最佳帧对。

2019-11-13cs.LGeess.IV

颅内功能及超分辨率超声成像的自动像差校正

Automatic Aberration Correction for Transcranial Functional and Super-Resolution Ultrasound Imaging in Rodents and Nonhuman Primates

Polytechnique Montréal（蒙特利尔高等工程学院）；Université de Montréal（蒙特利尔大学）；Centre interdisciplinaire de recherche sur le cerveau et l’apprentissage (CIRCA)（大脑与学习跨学科研究中心）；Montreal Heart Institute（蒙特利尔心脏研究所）

本文提出了一种可微的波束成形框架，用于自动校正颅内超声成像中的像差，提升了小鼠和非人灵长类动物的成像分辨率和功能测量灵敏度。

2026-05-06eess.IVeess.SPphysics.med-ph

PSFHS挑战赛报告：产时超声图像中的耻骨联合与胎头分割

PSFHS Challenge Report: Pubic Symphysis and Fetal Head Segmentation from Intrapartum Ultrasound Images

Jinan University（暨南大学）；The University of Auckland（奥克兰大学）；German Cancer Research Center (DKFZ)（德国癌症研究中心）；The Hong Kong University of Science and Technology（香港科技大学）；University of Girona（赫罗纳大学）；Canon Medical Systems (China) Co., LTD（佳能医疗系统（中国）有限公司）；Nankai University（南开大学）；Hunan University（湖南大学）；University College Dublin（都柏林大学学院）；Zhejiang Gongshang University（浙江工商大学）；Chongqing University of Technology（重庆理工大学）；Shenzhen University（深圳大学）；NanFang Hospital of Southern Medical University（南方医科大学南方医院）；Zhujiang Hospital of Southern Medical University（南方医科大学珠江医院）；Universitat de Barcelona（巴塞罗那大学）；Institució Catalana de Recerca i Estudis Avançats (ICREA)（加泰罗尼亚研究与高级研究机构）

本报告介绍了与MICCAI 2023同期举办的PSFHS挑战赛，该赛依托含5101张产时超声图像的最大数据集，推动了产时超声耻骨联合与胎头自动分割算法的发展，选出的8强方案刷新了该领域SOTA。

2024-09-17cs.CVeess.IV

遵循曲线：机器人超声导航与基于学习的脊柱侧弯评估的棘突定位

Follow the Curve: Robotic-Ultrasound Navigation with Learning Based Localization of Spinous Processes for Scoliosis Assessment

The Hong Kong Polytechnic University（香港理工大学）；Research Institute for Smart Ageing, PolyU（香港理工大学智衰研究所）

青少年脊柱侧凸的进展需要密切监测，以及时采取治疗措施。在脊柱侧凸评估中，超声成像是一种无辐射和低成本的替代方法，而X射线通常用于临床实践。然而，超声图像容易产生斑点噪声，这使得超声医师检测骨骼特征并遵循脊柱曲率具有挑战性。本文介绍了一种用于脊柱曲率跟踪和自动导航的机器人超声方法。一个完全连接的网络与deconvolutional头的开发，以定位棘突有效地与实时超声图像。我们使用这种基于机器学习的方法来引导机器人手持超声探头的运动，并在捕获超声图像和相应位置的同时跟踪脊柱曲率。我们开发了一种新的力驱动控制器，可以自动调整探头相对于皮肤表面的姿态，以确保探头和皮肤之间的良好声学耦合。扫描后，采集的数据用于重建冠状面脊柱图像，其中可以评估和测量脊柱侧凸脊柱的畸形。为了评估我们的方法的性能，我们进行了一项实验研究，与人类受试者在机器人化过程中从图像中心的偏差进行比较，从手动扫描。两种方法在脊柱重建图像上测量的脊柱畸形角度相似，这意味着它们同样反映了人体解剖结构。

2021-09-11cs.CVeess.IV

利用 AI 通过超声成像自动分类 PCOS

Leveraging AI for Automatic Classification of PCOS Using Ultrasound Imaging

Vishwakarma Institute of Information Technology（维什瓦卡玛信息技术学院）

本文提出基于 InceptionV3 迁移学习的超声图像二分类流程，结合预处理与 LIME、显著性图可解释性方法，在 AUTO-PCOS 挑战赛中实现 90.52% 准确率。

2024-12-30cs.AIcs.CVeess.IV

深度学习用于镰状细胞病患者脾脏长度的自动测量

Deep Learning for Automatic Spleen Length Measurement in Sickle Cell Disease Patients

King's College London（伦敦国王学院）；Evelina Children’s Hospital, Guy’s and St Thomas’ NHS Foundation Trust（盖伊和圣托马斯国民保健服务基金会信托伊夫利纳儿童医院）

镰状细胞病（SCD）是世界上最常见的遗传性疾病之一。脾肿大（脾脏异常肿大）在SCD儿童中很常见。如果不及时治疗，脾肿大可能危及生命。目前测量脾脏大小的工作流程包括触诊，可能随后是2D超声成像中的手动长度测量。然而，这种手动测量依赖于操作员的专业知识，并受到观察者内和观察者间的变化。我们研究了使用深度学习来从超声图像中自动估计脾脏长度。我们研究了两种类型的方法，一种是基于分割的，一种是基于直接长度估计的，并将结果与人类专家的测量结果进行比较。我们的最佳模型（基于分割）实现了7.42%的百分比长度误差，接近观察者间变异性水平（5.47%-6.34%）。据我们所知，这是首次尝试从超声图像中以全自动方式测量脾脏大小。

2020-09-06cs.CVcs.LGeess.IV

肺部超声视频中的B线检测：笛卡尔与极坐标表示

B-line Detection in Lung Ultrasound Videos: Cartesian vs Polar Representation

King’s College London（伦敦国王学院）；Oxford University Clinical Research Unit（牛津大学临床研究组）；Mahidol Oxford Research Unit（玛希隆牛津研究组）

肺部超声（LUS）成像在重症监护室（ICU）中越来越受欢迎，用于评估肺部异常，例如严重登革热导致的B线伪影的出现。这些伪影出现在LUS图像中并迅速消失，使得它们的手动检测非常具有挑战性。它们还随着声波的传播径向延伸。因此，我们假设极坐标表示可能更适合这些图像的自动图像分析。本文提出了一种基于注意力的卷积+LSTM模型，用于自动检测LUS视频中的B线，比较图像数据以笛卡尔和极坐标表示时的性能。结果表明，所提出的框架与极表示相比，笛卡尔表示的B线分类和注意力机制可以提供更好的本地化，取得了竞争力的性能。

2021-07-26cs.CVeess.IV

用于自适应手持超声设备域偏移的免训练图像风格对齐

Training-free image style alignment for self-adapting domain shift on handheld ultrasound devices

School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）；Shanghai Advanced Research Institute, Chinese Academy of Sciences（中国科学院上海高等研究院）；University of Chinese Academy of Sciences（中国科学院大学）；College of Computer Science, Sichuan University（四川大学计算机学院）；College of Intelligence and Computing, Tianjin University（天津大学智能与计算学部）；The Chinese University of Hong Kong（香港中文大学）；Beth Israel Deaconess Medical Center, Harvard Medical School（哈佛医学院贝斯以色列女执事医疗中心）；Institute of High Performance Computing, Agency for Science, Technology and Research（新加坡科技研究局高性能计算研究所）

提出免训练图像风格对齐（TISA）框架，将手持超声设备数据风格对齐至标准设备，无需额外训练即可提升医学检测与分割性能，自动测量误差在临床可接受范围内。

2024-02-17cs.CVeess.IV

LiverUSRecon：基于少量部分超声扫描的肝脏自动3D重建与体积测量

LiverUSRecon: Automatic 3D Reconstruction and Volumetry of the Liver with a Few Partial Ultrasound Scans

University of Moratuwa（莫拉图瓦大学）；University of Colombo（科伦坡大学）；University of Peradeniya（佩拉德尼亚大学）；Zone24x7 Inc.（Zone24x7公司）

提出首个基于少量不完整超声扫描和统计形状模型的自动肝脏3D重建与体积测量系统，其体积计算结果在统计学上与CT分割体积无显著差异。

2024-09-25cs.CVeess.IV

超声颈椎图像上的骨性结构自动分割与曲率估计——一项可行性研究

Automatic bony structure segmentation and curvature estimation on ultrasound cervical spine images -- a feasibility study

本研究针对颈椎前凸评估需求，提出基于nnU-Net的3D超声颈椎骨性结构自动分割及曲率测量方法，经实验验证准确性与可靠性较高，具备相关诊断应用潜力。

2023-12-19eess.IV

使用便携式自由手3D超声成像系统自动诊断颈动脉粥样硬化

Automatic Diagnosis of Carotid Atherosclerosis Using a Portable Freehand 3D Ultrasound Imaging System

School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）

本研究开发了一种基于深度学习的便携式自由手3D超声系统，用于自动诊断颈动脉粥样硬化，通过U-Net分割、FDP重建和CNN分类，实现了高准确率（0.803）和与专家测量良好相关性（r=0.762）。

2023-11-09cs.CVcs.CYeess.IV

自动内镜超声站点识别（数据有限条件下）

Automatic Endoscopic Ultrasound Station Recognition with Limited Data

Amrita Center for Cybersecurity Systems & Networks, Amrita Vishwa Vidyapeetham（阿姆里塔网络安全系统与网络中心，阿姆里塔大学）；Amrita Institute of Medical Sciences（阿姆里塔医学科学研究所）

针对胰腺癌早期检测，提出基于深度学习的AI辅助工具，利用有限数据（43例）实时识别内镜超声站点，达到89%平衡准确率，并开发开源标注应用与Grad-CAM可视化。

2023-12-28cs.CVeess.IV

基于CNN分割的超声目标检测与跟踪方法及其在迷走神经检测中的应用

A CNN Segmentation-Based Approach to Object Detection and Tracking in Ultrasound Scans with Application to the Vagus Nerve Detection

UC San Diego（加州大学圣地亚哥分校）；General Electric Global Research（通用电气全球研究中心）

超声扫描在一些医疗诊断和治疗应用中是必不可少的。它用于可视化和分析影响治疗计划的解剖特征和结构。然而，它是劳动密集型的，并且其有效性取决于操作者。在扫描的同时实时准确和鲁棒的自动检测和跟踪解剖结构将显著影响诊断和治疗程序的一致性和有效性。在本文中，我们提出了一种深度学习框架，用于自动检测和跟踪超声扫描中的特定解剖目标结构。我们的框架被设计为在受试者和成像设备之间准确和强大，实时操作，并且不需要大型训练集。当在原始训练集大小的20%的训练集上训练时，它保持了高于90%的定位精度和召回率。框架主干是一个基于U-Net的弱训练分割神经网络。我们在两个不同的超声数据集上测试了该框架，目的是检测和跟踪迷走神经，其性能优于当前最先进的实时目标检测网络。

2021-06-25cs.CVeess.IV

三维胎儿超声图像的自动面部轴线标准化

Automatic facial axes standardization of 3D fetal ultrasound images

Universitat Pompeu Fabra（庞培法布拉大学）；Hospital del Mar（德尔马医院）；University Hospital Quirón Dexeus（基隆德克瑟斯大学医院）

本文提出一种基于三个模块（特征提取、旋转平移回归、空间变换器）的AI网络，对三维胎儿超声图像自动标准化面部轴线，在1180例数据上显著降低观察者间旋转变异性，有助于颅面异常的早期评估。

2024-09-04cs.CVeess.IV

混合注意力在产前超声胎儿头部自动分割中的应用

Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes

The Chinese University of Hong Kong（香港中文大学）；Shenzhen University（深圳大学）；Affiliated Shenzhen Maternal and Child Healthcare Hospital of Nanfang Medical University（南方医科大学附属深圳妇幼保健院）

背景与目的：胎头生物测量是妊娠期母儿健康监测的重要指标。与二维超声相比，三维超声在覆盖整个胎头方面具有独特的优势，可提高诊断率。然而，自动分割整个胎儿头部在美国卷仍然悬而未决的一个新兴的和未解决的问题。自动化解决方案需要解决的挑战包括图像质量差、边界模糊、长跨度遮挡以及不同胎儿姿势和胎龄的外观变化。在本文中，我们提出了第一个全自动的解决方案，分割整个胎儿头部在美国卷。方法：首先将分割任务制定为编码器-解码器深度架构下的端到端体积映射。然后，我们将分割器与建议的混合注意力方案（HAS）相结合，以选择有区别的特征，并以复合和分层的方式抑制非信息量特征。HAS算法计算量小，能有效地解决边界模糊和缺陷问题.为了增强分割的空间一致性，我们进一步以级联方式组织多个分割器，通过重新访问前辈预测中的上下文来改进结果。结果如下：在从100名健康志愿者收集的大数据集上进行验证，我们的方法具有优越的分割性能（DSC（骰子相似系数），96.05%），与专家的显着协议。从52名志愿者中收集了另外156个体积，我们对扫描变化具有较高的重现性（平均标准差11.524 mL）。结论：这是首次在三维超声中对整个胎头分割的研究。我们的方法是有前途的，是一个可行的解决方案，在协助体积美国为基础的产前研究。

2020-04-28cs.CVeess.IV

微调U-Net用于超声图像分割：哪些层？

Fine tuning U-Net for ultrasound image segmentation: which layers?

微调已经在大数据集上训练的网络是完全训练的替代方案，以克服医疗应用中数据稀缺和昂贵的问题。虽然网络的浅层通常保持不变，但根据新数据集修改较深层。这种方法可能不适用于超声图像，因为它们的外观截然不同。在这项研究中，我们研究了在乳腺超声图像分割中对自然图像分割进行训练的U-Net的不同层进行微调的效果。与固定收缩部分和调整膨胀部分相比，调整收缩部分和固定膨胀部分导致实质上更好的结果。此外，我们还发现，从浅层开始微调U-Net并逐渐包括更多层将导致更好的性能，而不是从深层回到浅层微调网络。我们在X射线图像的分割上没有观察到相同的结果，与超声相比，X射线图像具有不同的显著特征，因此，微调浅层而不是深层可能更合适。浅层学习较低级别的特征（包括散斑图案，可能还有噪声和伪影属性），这些特征在这种模式的自动分割中至关重要。

2020-02-19cs.CVcs.LGeess.IV

基于位置先验的Siamese网络在肝脏超声图像中的界标跟踪

Siamese Networks with Location Prior for Landmark Tracking in Liver Ultrasound Sequences

ETH Zurich（苏黎世联邦理工学院）

图像引导的放射治疗可以受益于通过超声成像的精确运动跟踪，以便最小化治疗边缘并辐射移动的解剖目标，例如，因为呼吸。制定该跟踪问题的一种方式是在整个时间超声序列中自动定位给定的跟踪解剖标志。为此，我们在本文中提出了一个全卷积的Siamese网络，它可以学习包含相同地标的图像区域对之间的相似性。因此，它学习定位并跟踪任意图像特征，而不仅仅是预定义的解剖结构。我们采用时间一致性模型作为位置先验，我们将其与网络预测的位置概率图相结合，以在超声序列中迭代地跟踪目标。我们将这种方法应用于肝脏超声跟踪挑战（CLUST）的数据集，并获得了具有竞争力的结果，由于我们的时间正则化，我们的工作是第一个有效地将CNN应用于这个跟踪问题的工作。

2019-01-23cs.CVeess.IV

基于全局指导网络的乳腺超声图像病灶分割

Global Guidance Network for Breast Lesion Segmentation in Ultrasound Images

The Chinese University of Hong Kong（香港中文大学）；University of Cambridge（剑桥大学）；Inception Institute of Artificial Intelligence（启迪人工智能研究院）；The Hong Kong University of Science and Technology（香港科技大学）；Jinan University（暨南大学）；Southern University of Science and Technology（南方科技大学）；Chinese Academy of Sciences（中国科学院）

超声中的自动乳腺病变分割有助于诊断乳腺癌，这是影响全球女性的可怕疾病之一。由于乳腺超声图像固有的斑点伪影、模糊的乳腺病变边界以及乳腺病变区域内的不均匀强度分布，从超声图像中准确分割乳腺区域是一项具有挑战性的任务。最近，卷积神经网络（CNN）在医学图像分割任务中表现出了显着的效果。然而，CNN中的卷积操作通常集中于局部区域，这些局部区域在捕获输入超声图像的长程依赖性方面遭受有限的能力，从而导致降低的乳房病变分割准确度。在本文中，我们开发了一种深度卷积神经网络，配备了全局指导块（GGB）和乳腺病变边界检测（BD）模块，用于增强乳腺超声病变分割。GGB利用多层集成特征映射作为指导信息，从空间域和信道域学习远程非局部依赖性。BD模块学习额外的乳腺病变边界图，以提高分割结果细化的边界质量。在公共数据集和收集数据集上的实验结果表明，我们的网络优于其他医学图像分割方法和最近的语义分割方法对乳腺超声病变的分割。此外，我们还展示了我们的网络在超声前列腺分割上的应用，其中我们的方法比最先进的网络更好地识别前列腺区域。

2021-04-05cs.CVcs.LGeess.IV

基于多尺度视图和深度神经网络的超声图像胎头定位

Localization of Fetal Head in Ultrasound Images by Multiscale View and Deep Neural Networks

Isfahan University of Technology（伊斯法罕理工大学）

超声成像是许多国家用于产前护理的常规检查之一。该程序提供有关胎儿健康和发育、妊娠进展以及婴儿预产期的各种信息。胎儿的一些生物特征参数，如胎儿头围（HC），必须测量以检查胎儿的健康和生长。在本文中，我们研究了在网络中使用多尺度输入的效果。我们还提出了一种用于自动HC测量的光卷积神经网络。在不同妊娠期胎儿的超声数据集上的实验结果表明，由轻卷积神经网络执行的分割准确性和HC评估与深卷积神经网络相当。所提出的网络具有较少的参数，需要较少的训练时间。

2019-11-03cs.CVeess.IV

胎儿心脏发育不良综合征的超声诊断

Detecting Hypo-plastic Left Heart Syndrome in Fetal Ultrasound via Disease-specific Atlas Maps

Imperial College London（帝国理工学院）；King’s College London（伦敦国王学院）；Guy’s and St Thomas’ NHS Foundation Trust（盖伊和圣托马斯国民保健服务基金会信托）；City, University of London（伦敦城市大学）；Technical University of Munich（慕尼黑工业大学）

怀孕期间的胎儿超声筛查在早期发现胎儿畸形方面起着至关重要的作用，这些畸形可能会对健康产生长期影响。在检查过程中从实时超声诊断此类畸形所需的技能水平很高，并且用于筛查的资源通常有限。我们提出了一个可解释的，图集学习分割方法，自动诊断发育不良的左心综合征（HLHS）从一个单一的“4腔心脏”的视图图像。我们建议将最近引入的图像和空间Transformer网络（pathas-Ideal）扩展到一个框架中，该框架能够使图谱生成对疾病敏感。在这个框架中，我们可以共同学习图像分割、配准、图谱构建和疾病预测，同时与直接图像分类方法相比，提供最高水平的临床可解释性。因此，我们的分割允许诊断与专家手动诊断竞争，并产生0.978的AUC-ROC（1043例用于训练，260例用于验证，325例用于测试）。

2021-07-06cs.CVcs.LGeess.IV

BAAF：用于医学超声图像分割任务的基准注意力自适应框架

BAAF: A benchmark attention adaptive framework for medical ultrasound image segmentation tasks

College of Biomedical Engineering and Technology, Tianjin Medical University（天津医科大学生物医学工程学院）；College of Computer Science and Electronic Engineering, Hunan University（湖南大学计算机科学与电子工程学院）；Department of Urology, Fourth Medical Center of PLA General Hospital（中国人民解放军第四医学中心泌尿外科科）；Department of Urology, Civil Aviation General Hospital（民航总医院泌尿外科科）；College of Artificial Intelligence, Nankai University（南开大学人工智能学院）；Department of Ultrasonography, Tianjin Medical University Second Hospital（天津医科大学第二医院超声科）

针对医学超声图像中目标定位难的问题，提出基准注意力自适应框架BAAF，结合并行混合注意力与自适应校准机制，在四个分割任务上超越现有方法，提升诊断效率与准确性。

2025-10-14cs.CVcs.LGeess.IV

结合CNN和CPPN的3D超声数据中新生儿脑室的自动分割和位置学习

Automatic Segmentation and Location Learning of Neonatal Cerebral Ventricles in 3D Ultrasound Data Combining CNN and CPPN

Univ Lyon, INSA-Lyon, Université Claude Bernard Lyon 1, UJM-Saint Etienne, CNRS, Inserm, CREATIS UMR 5220, U1206（里昂大学、里昂国立应用科学学院、里昂第一大学（克洛德·贝尔纳里昂第一大学）、圣艾蒂安大学、法国国家科学研究中心、法国国家健康与医学研究院、CREATIS联合研究所）；CH Avignon（阿维尼翁中心医院）

早产新生儿极有可能患有脑室扩大症，这是一种脑室系统（CVS）扩张。这种情况可能发展为危及生命的脑积水，并与未来的神经发育障碍有关。因此，它必须由医生检测和监测。在临床路径中，在2D超声（US）图像上执行手动2D测量以估计CVS体积，但由于3D信息不可用，这种做法不精确。解决这个问题的一种方法是为3D US数据开发自动CVS分割算法。在本文中，我们研究了二维和三维卷积神经网络（CNN）解决这一复杂任务的潜力，并提出使用组合模式生成网络（CPPN）使CNN能够学习CVS位置。我们的数据库由25个三维超声体积收集的21早产新生儿在$35.8 \pm 1.6$孕周的年龄。我们发现CPPN能够对CVS位置进行编码，这在CNN的层数很少时提高了CNN的准确性。在Dice分别为$0.893 \pm 0.008$和$0.886 \pm 0.004$（IOV = $0.898 \pm 0.008$）以及体积误差分别为$0.45 \pm 0.42$ cm $^3$和$0.36 \pm 0.24$ cm $^3$（IOV = $0.41 \pm 0.05$ cm $^3$）的扩张心室的情况下，2D和3D CNN的准确性达到观察者内变异性（IOV）。在正常心室中，$0.797 \pm 0.041$对$0.776 \pm 0.038$的Dice（IOV = $0.816 \pm 0.009$）和$0.35 …

2021-02-20cs.CVeess.IV

用于分娩期间胎儿头部可解释自动超声评估的序列时空网络

Sequential Spatial-Temporal Network for Interpretable Automatic Ultrasonic Assessment of Fetal Head during labor

School of Computer Science, The University of Sydney（悉尼大学计算机科学学院）；Sydney School of Health Sciences, The University of Sydney（悉尼大学悉尼健康科学学院）；School of Science, Edith Cowan University（伊迪丝·考恩大学理学院）；Orange Hospital（奥兰治医院）

本研究针对产时超声中AoP、HSD的标准化测量需求，提出首个用于产时超声视频分析的可解释序列时空网络SSTN，按切面识别、结构分割、标志点检测的流程完成测量，在临床数据集上误差较现有模型显著降低。

2025-03-20cs.CVeess.IV

多指标引导的深度神经网络超声肝纤维化诊断

Ultrasound Liver Fibrosis Diagnosis using Multi-indicator guided Deep Neural Networks

Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shenzhen Research Institute of Big Data（深圳市大数据研究院）

准确分析肝纤维化分期对慢性乙型肝炎患者的随访具有重要意义。本文提出了一种用于自动预测肝纤维化的深度学习框架。与以前的工作相反，我们的方法可以利用多个超声图像提供的信息。进一步提出了一种指标引导的学习机制，以减轻所提出的模型的训练。这遵循临床诊断的工作流程，并使预测程序可解释。为了支持训练，充分收集了包含229名患者的超声视频/图像、指标和标签的数据集。如实验结果所示，我们提出的模型通过实现最先进的性能显示了其有效性，具体来说，准确率为65.6%（比以前的最佳值高出20%）。

2020-09-10cs.CVeess.IV

学习用较少数据从2D超声分割大脑解剖结构

Learning to Segment Brain Anatomy from 2D Ultrasound with Less Data

Whiting School of Engineering, Johns Hopkins University（约翰斯·霍普金斯大学怀廷工程学院）；Rutgers, The State University of New Jersey（罗格斯新泽西州立大学）

超声（US）解剖标志的自动分割在极低出生体重早产儿的管理中起着重要作用，因为发生脑室内出血（IVH）或其他并发症的风险增加。开发自动分割方法的一个主要问题是注释数据的可用性有限。为了解决这个问题，我们提出了一种新的图像合成方法，使用多尺度自我注意力发生器合成US图像从各种分割掩模。我们表明，我们的方法可以合成高质量的美国图像的每一个操作的分割标签与定性和定量的改进，最近的国家的最先进的合成方法。此外，对于分割任务，我们提出了一种新的方法，称为置信度引导的脑解剖分割（CBAS）网络，其中分割和相应的置信度图在不同的尺度上估计。此外，我们引入了一种技术，指导CBAS学习的基础上的信心措施的估计的权重。大量的实验表明，所提出的方法的合成和分割任务取得了显着的改善，最近的国家的最先进的方法。特别是，我们表明，新的合成框架可用于生成逼真的美国图像，可用于提高分割算法的性能。

2019-12-18cs.CVeess.IV

使用U-Net的超声分割：从模拟数据中学习并在真实数据上进行测试

Ultrasound segmentation using U-Net: learning from simulated data and testing on real data

Concordia University（康考迪亚大学）

超声图像的分割是诊断和图像引导介入中的一项重要任务，因为这种成像方式易于使用且成本低。由于人工分割是繁琐和耗时的，越来越多的研究集中在自动分割算法的发展。深度学习算法在这方面已经取得了显著的成就;然而，它们需要大量的训练数据集。不幸的是，在超声图像中准备大的标记数据集非常困难。因此，在这项研究中，我们建议使用模拟超声（US）图像来训练U-Net深度学习分割架构，并对超声机器收集的组织模拟体模数据进行测试。我们证明了在模拟数据上训练的体系结构可以转移到真实数据上，因此，当真实数据集不可用时，模拟数据可以被视为替代训练数据集。本文的第二个贡献是，我们训练我们的U- Net网络上的包络和B-模式图像的模拟数据集，并测试训练后的网络上的真实包络和B-模式图像的体模，分别。我们表明，测试结果优于包络数据相比，B-模式图像。

2019-04-24cs.CVeess.IV

COVID-Net UV：一种端到端时空深度神经网络架构，用于从超声视频中自动诊断COVID-19感染

COVID-Net UV: An End-to-End Spatio-Temporal Deep Neural Network Architecture for Automated Diagnosis of COVID-19 Infection from Ultrasound Videos

National Research Council Canada（加拿大国家研究委员会）；University of Waterloo（滑铁卢大学）

除接种疫苗外，作为有效减缓COVID-19进一步传播的方法，仍有必要对个人进行快速准确的筛查以检测疾病，以确保公共卫生安全。我们提出了COVID-Net UV，一种端到端的混合时空深度神经网络架构，用于从凸换能器捕获的肺部床旁超声视频中检测COVID-19感染。COVID-Net UV包括一个提取空间特征的卷积神经网络和一个学习时间依赖性的循环神经网络。经过仔细的超参数调整，该网络在COVID-19病例中实现了94.44%的平均准确率，没有假阴性病例。COVID-Net UV的目标是通过加速肺部床旁超声视频的筛查和COVID-19阳性病例的自动检测，协助一线临床医生抗击COVID-19。

2022-05-18cs.CVeess.IV