ترجمه فارسی مقاله تخمین عدم قطعیت بهبود یافته در قطعه‌بندی تصاویر فراصوت با MSU-Net

چکیده

Efficient intravascular access in trauma and critical care significantly impacts patient outcomes. However, the availability of skilled medical personnel in austere environments is often limited. Autonomous robotic ultrasound systems can aid in needle insertion for medication delivery and support non-experts in such tasks. Despite advances in autonomous needle insertion, inaccuracies in vessel segmentation predictions pose risks. Understanding the uncertainty of predictive models in ultrasound imaging is crucial for assessing their reliability. We introduce MSU-Net, a novel multistage approach for training an ensemble of U-Nets to yield accurate ultrasound image segmentation maps. We demonstrate substantial improvements, 18.1% over a single Monte Carlo U-Net, enhancing uncertainty evaluations, model transparency, and trustworthiness. By highlighting areas of model certainty, MSU-Net can guide safe needle insertions, empowering non-experts to accomplish such tasks.

چکیده به فارسی (ترجمه ماشینی)

دسترسی کارآمد داخل عروقی در تروما و مراقبت های ویژه به طور قابل توجهی بر نتایج بیمار تأثیر می گذارد.با این حال ، در دسترس بودن پرسنل پزشکی ماهر در محیط های سخت اغلب محدود است.سیستم های سونوگرافی روباتیک خودمختار می توانند به درج سوزن برای تحویل دارو کمک کنند و از غیر متخصصان در چنین کارها پشتیبانی کنند.علیرغم پیشرفت در درج سوزن خودمختار ، عدم دقت در پیش بینی های تقسیم کشتی خطرات ایجاد می کند.درک عدم اطمینان از مدلهای پیش بینی کننده در تصویربرداری سونوگرافی برای ارزیابی قابلیت اطمینان آنها بسیار مهم است.ما MSU-NET را معرفی می کنیم ، یک رویکرد چند مرحله ای جدید برای آموزش گروهی از شبکه های U برای ارائه نقشه های دقیق تقسیم تصویر سونوگرافی.ما پیشرفت های قابل توجهی را نشان می دهیم ، 18.1 ٪ بیش از یک مونت کارلو U-Net ، ارزیابی های عدم اطمینان ، شفافیت مدل و اعتماد به نفس را افزایش می دهیم.MSU-NET با برجسته کردن زمینه های اطمینان از مدل ، می تواند درج سوزن ایمن را راهنمایی کند و به افراد غیر متخصص برای انجام چنین کارهایی توانمند شود.