В статье, опубликованной в этом месяце в журнале SIAM Journal on Imaging Sciences, авторы Цзюлун Лю, Сяоцюнь Чжан, Бинь Донг, Зуовей Шен и Ликсу Гу предлагают модель сегментации видео для распознавания рентабельности инвестиций при ультразвуковом исследовании. «Предлагаемая модель направлена на эффективное и надежное отслеживание движущихся границ в ультразвуковом видео с помощью математически обоснованной структуры», — говорит Чжан. «В частности, мы решаем эту проблему, используя вейвлет-кадры и интегрируя статистику шума в вариационную структуру. Непрерывность и регулярность движущейся границы эффективно учитываются с помощью взвешенной регуляризации, не создавая тяжелой вычислительной нагрузки.
Общий метод может быть эффективно решен. с недавно разработанным быстрым алгоритмом, что делает его полезным в клинических приложениях в реальном времени ».В настоящее время существует множество опубликованных методов сегментации изображений, но Liu et al. в частности, реализовать вариационные методы, которые обычно используются для отслеживания движения и обнаружения краев из-за их гибкости моделирования. «Вариативные методы продемонстрировали свою надежность и эффективность для сложных задач сегментации изображений», — говорит Донг. «Вариационная структура позволяет проводить основательный теоретический анализ моделей, которые могут хорошо руководить самим моделированием и обеспечивать фундаментальное понимание решений».Лю и др. также решили включить вейвлет-кадры, которые собирают больше деталей, чем другие вариационные методы, и эффективно сегментируют отснятый материал низкого качества, такой как ультразвуковое видео.
Это особенно верно, когда изображение включает элементы в различных масштабах. «Регуляризация кадра вейвлета используется, потому что геометрические структуры и особенности в различных масштабах могут быть идентифицированы и эффективно извлечены из сложных шумовых сред в области вейвлетов», — говорит Шен. «Это позволяет нам отслеживать и повышать резкость геометрических форм, когда они автоматически сегментируются с помощью последовательных изображений в видео».Авторы разработали свою модель для последовательной и коллективной сегментации ультразвукового видео. Модель включает априорные значения формы — тип распределения вероятностей — при сегментации одного изображения и автоматически вычисляет последовательные априорные значения формы для последующих сегментов.
Лю и др. применить свою модель к двум наборам видеоданных ультразвукового исследования и получить численные результаты, которые подтверждают способность модели эффективно отслеживать рентабельность инвестиций. «Ультразвуковая визуализация — важный метод в клиническом применении из-за его низкой стоимости и портативности», — говорит Лю. «Однако связанный с ней анализ для точной диагностики и мониторинга по-прежнему является сложной задачей из-за низкого качества изображения, артефактов и шума. Численные результаты на реальных наборах ультразвуковых данных демонстрируют, что предлагаемая модель вейвлет-кадра с предварительным расстоянием может эффективно отслеживать интересующие области. , как с точки зрения качества сегментации, так и времени вычислений ". Результаты выгодно отличаются от других подходов.
Успех модели может улучшить медицинские подходы и технологии, основанные на сегментации изображений, и Liu et al. стремятся расширить его использование. «Модель может быть расширена на другие методы визуализации или для одновременного обнаружения нескольких областей», — говорит Лю. «Более геометрическая и априорная информация может быть использована для повышения надежности метода». Такие достижения будут продолжать увеличивать скорость, эффективность и производительность сегментации изображений.