ترجمه فارسی مقاله Geo-UNet: یک چارچوب عصبی با محدودیت هندسی برای قطعه‌بندی لومن با درجه بالینی در سونوگرافی داخل عروقی

چکیده

Precisely estimating lumen boundaries in intravascular ultrasound (IVUS) is needed for sizing interventional stents to treat deep vein thrombosis (DVT). Unfortunately, current segmentation networks like the UNet lack the precision needed for clinical adoption in IVUS workflows. This arises due to the difficulty of automatically learning accurate lumen contour from limited training data while accounting for the radial geometry of IVUS imaging. We propose the Geo-UNet framework to address these issues via a design informed by the geometry of the lumen contour segmentation task. We first convert the input data and segmentation targets from Cartesian to polar coordinates. Starting from a convUNet feature extractor, we propose a two-task setup, one for conventional pixel-wise labeling and the other for single boundary lumen-contour localization. We directly combine the two predictions by passing the predicted lumen contour through a new activation (named CDFeLU) to filter out spurious pixel-wise predictions. Our unified loss function carefully balances area-based, distance-based, and contour-based penalties to provide near clinical-grade generalization in unseen patient data. We also introduce a lightweight, inference-time technique to enhance segmentation smoothness. The efficacy of our framework on a venous IVUS dataset is shown against state-of-the-art models.

چکیده به فارسی (ترجمه ماشینی)

دقیقاً تخمین مرزهای لومن در سونوگرافی داخل عروقی (IVUS) برای اندازه گیری استنت های مداخله ای برای درمان ترومبوز ورید عمیق (DVT) مورد نیاز است.متأسفانه ، شبکه های تقسیم بندی فعلی مانند Unet فاقد دقت مورد نیاز برای پذیرش بالینی در گردش کار IVUS هستند.این امر به دلیل دشواری در یادگیری خودکار کانتور لومن دقیق از داده های آموزش محدود در حالی که حساب هندسه شعاعی تصویربرداری IVUS را تشکیل می دهد ، بوجود می آید.ما چارچوب جغرافیایی را برای پرداختن به این موضوعات از طریق طرحی که توسط هندسه کار تقسیم کانتور لومن آگاه شده است ، پیشنهاد می کنیم.ما ابتدا داده های ورودی و اهداف تقسیم بندی را از مختصات دکارتی به قطبی تبدیل می کنیم.با شروع از یک استخراج کننده ویژگی Convunet ، ما یک مجموعه دو کار را پیشنهاد می کنیم ، یکی برای برچسب زدن به پیکسل معمولی و دیگری برای محلی سازی تک لومن مرزی.ما به طور مستقیم دو پیش بینی را با عبور از کانتور لومن پیش بینی شده از طریق یک فعال سازی جدید (به نام cdfelu) برای فیلتر کردن پیش بینی های پیکسل فریبنده ترکیب می کنیم.عملکرد از دست دادن یکپارچه ما با دقت مجازات های مبتنی بر مساحت ، مبتنی بر مساحت و کانتور را برای ارائه تعمیم نزدیک به درجه بالینی در داده های بیمار غیب متعادل می کند.ما همچنین یک تکنیک سبک و استنباط وزن را برای تقویت صافی تقسیم بندی معرفی می کنیم.اثربخشی چارچوب ما در یک مجموعه داده وریدی IVUS در برابر مدل های پیشرفته نشان داده شده است.