| عنوان مقاله به انگلیسی | Uncertainty Modeling in Ultrasound Image Segmentation for Precise Fetal Biometric Measurements |
| عنوان مقاله به فارسی | مدل سازی عدم قطعیت در تقسیم تصویر سونوگرافی برای اندازه گیری دقیق بیومتریک جنین |
| نویسندگان | Shuge Lei |
| زبان مقاله | انگلیسی |
| فرمت مقاله: | |
| چکیده | Medical image segmentation, particularly in the context of ultrasound data, is a crucial aspect of computer vision and medical imaging. This paper delves into the complexities of uncertainty in the segmentation process, focusing on fetal head and femur ultrasound images. The proposed methodology involves extracting target contours and exploring techniques for precise parameter measurement. Uncertainty modeling methods are employed to enhance the training and testing processes of the segmentation network. The study reveals that the average absolute error in fetal head circumference measurement is 8.0833mm, with a relative error of 4.7347%. Similarly, the average absolute error in fetal femur measurement is 2.6163mm, with a relative error of 6.3336%. Uncertainty modeling experiments employing Test-Time Augmentation (TTA) demonstrate effective interpretability of data uncertainty on both datasets. This suggests that incorporating data uncertainty based on the TTA method can support clinical practitioners in making informed decisions and obtaining more reliable measurement results in practical clinical applications. The paper contributes to the advancement of ultrasound image segmentation, addressing critical challenges and improving the reliability of biometric measurements. |
| تعداد صفحات | 18 |
| چکیده به فارسی (ترجمه ماشینی) | تقسیم بندی تصویر پزشکی ، به ویژه در زمینه داده های سونوگرافی ، جنبه مهمی از بینایی رایانه و تصویربرداری پزشکی است.این مقاله به پیچیدگی های عدم اطمینان در فرآیند تقسیم بندی ، با تمرکز بر روی سر جنین و تصاویر سونوگرافی استخوان ران می پردازد.روش پیشنهادی شامل استخراج کانتورهای هدف و کاوش تکنیک ها برای اندازه گیری دقیق پارامتر است.روشهای مدل سازی عدم اطمینان برای تقویت فرایندهای آموزش و آزمایش شبکه تقسیم بندی استفاده می شود.این مطالعه نشان می دهد که میانگین خطای مطلق در اندازه گیری دور سر جنین 8.0833 میلی متر است ، با خطای نسبی 4.7347 ٪.به طور مشابه ، میانگین خطای مطلق در اندازه گیری استخوان ران جنین 2.6163 میلی متر است ، با خطای نسبی 6.3336 ٪.آزمایش های مدل سازی عدم قطعیت با استفاده از تقویت زمان آزمون (TTA) تفسیر مؤثر از عدم اطمینان داده ها را در هر دو مجموعه داده نشان می دهد.این نشان می دهد که ترکیب عدم اطمینان داده ها بر اساس روش TTA می تواند از پزشکان بالینی در تصمیم گیری آگاهانه و به دست آوردن نتایج اندازه گیری قابل اطمینان تر در کاربردهای بالینی عملی پشتیبانی کند.این مقاله به پیشرفت تقسیم بندی تصویر سونوگرافی ، پرداختن به چالش های مهم و بهبود قابلیت اطمینان اندازه گیری های بیومتریک کمک می کند. |
| دسته بندی موضوعات | Image and Video Processing,Computer Vision and Pattern Recognition,پردازش تصویر و ویدیو ، چشم انداز رایانه و تشخیص الگوی ، |
| توضیحات | Submitted 17 January, 2024; originally announced January 2024. |
| توضیحات به فارسی | ارسال شده 17 ژانویه 2024 ؛در ابتدا ژانویه 2024 اعلام شد. |
| توجه کنید این مقاله به زبان انگلیسی است. |
|
برای سفارش ترجمه این مقاله می توانید به یکی از روش های تماس، پیامک، تلگرام و یا واتس اپ با شماره زیر تماس بگیرید:
09395106248 توجه کنید که شرایط ترجمه به صورت زیر است:
|
نقد و بررسیها
هنوز بررسیای ثبت نشده است.