超声图像分割胎儿大腿横截面自动检测方法

沙特国王大学学报基于相位的阈值分割法分割超声图像Fajar Astuti Hermawatia，P.，Handayani Tjandrasab，Nanik Suciatiba泗水17 Agustus 1945大学信息学系。印度尼西亚，泗水市，Semolowarub印度尼西亚苏腊巴亚苏科利洛Raya ITS路60111技术学院信息学系阿提奇莱因福奥文章历史记录：收到2020年2021年2月2日修订2021年2月3日接受2021年2月17日在线提供保留字：超声图像分割胎儿大腿围基于相位的阈值化相位对称方法显著性视觉注意模型A B S T R A C T大腿围的测量已被用作营养充足和胎儿在子宫内生长的指标。大腿体积分数是估计胎儿体重的变量之一，也可以使用胎儿大腿围计算胎儿大腿的横截面是检测的一个复杂部分，因为它具有不太清晰的边界，并且有时附着在超声图像中的其他组织本研究旨在建立一种超声图像上胎儿大腿横截面积的自动检测方案和分割方法。我们提出了一个分割框架，集成- grates两个阶段为基础的阈值方案和间隙连接步骤。在第一种方案中，我们结合了局部相位特征的相位一致性和模糊熵方法。第二阈值方案是相位对称方法和显著性视觉注意模型的组合。所提出的框架具有能够更精确地分割横截面对象的优点，即使有其他对象附着到它们。当应用于使用便携式超声扫描仪拍摄的低质量超声图像时，该方法也工作良好。该方法的平均分割精度为0.922，Dice相似度为0.928。版权所有©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍胎儿大腿横截面区域是胎儿超声图像中的大腿 胎儿大腿横截面由三个部分组成，即脂肪组织层、肌肉区域和骨区域（Rueda等人，2015年）。大腿横截面中脂肪组织厚度的测量可用于确定胎儿在子宫期间的生长和营养充足性（Rueda等人，2015年; Vaze和Namelte，2018年）。大腿横截面积也是用于使用2D或3D超声图像估计胎儿重量的生物计量测量之一（Feng 等人， 2012; Lee 等人， 2009 ，2001，2005; Warska等人，2018年）。使用大腿体积估计胎儿体重需 要 很 长 时 间 ， 并 且 需 要 更 熟 练 的 操 作 者 （ Feng 等 人 ，2012;Hasenoehrl等人， 2009年）。超声医师必须标记并计算*通讯作者。电子邮件地址：fajarastuti@untag-sby.ac.id（法国Hermawati）。沙特国王大学负责同行审查计算中使用的每个横截面的面积。因此，我们需要一种方法来自动检测和分割大腿横截面区域。根据Pashaj等人（2013），自动分割可以提高生物计量测量工作流程的效率。此外，超声图像分割自动或半自动生成比手动测量更一致和准确的测量结果（Yu等人， 2008年）。大腿横截面图像分割存在一些问题。首先，它的形状并不总是圆形的，并且可以由于来自周围结构的压力而变化。其次，适当的组织层可以产生不均匀的强度，是该成像模态或所使用的扫描仪的特征。第三，母体组织和胎儿通常围绕大腿，使分割任务复杂化。第四，在怀孕早期，脂肪层很薄，几乎看不见。第五，脂肪组织的边界通常不清晰，这使得手动分割困难并且造成视差。一些关于胎儿大腿横截面区域分割的研究将基于图形的半自动方法与Rackham等人（2013）提出的特征不对称性相结合，并且还集成了局部相位、特征不对称性和Rueda等人提出的模糊连通性分割技术。（2015年）。虽然Vaze和Namechte（2018）实施了深入的https://doi.org/10.1016/j.jksuci.2021.02.0041319-1578/©2021作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comFajar Astuti Hermawati，H. Tjandrasa和N. 苏恰蒂沙特国王大学学报4449学习方法，即，CNN U-Ception网络，用于检测脂肪组织区域。图像分割技术可以分为几种类型，包括基于阈值的，基于区域的，基于像素的，基于边缘的和基于聚类的Harun et al.（2018）。这些技术中的一些不能应用于具有弱边缘特征和低对比度的超声图像基于相位的方法克服了基于轮廓的方法在实现用于腔内超声图像分割时的弱点（Belaid等人，2011年）。与传统的基于梯度的方法相比，基于相位的算法在衰减伪影方面具有鲁棒性局部相位提供了一种替代方式来表示图像中的结构，特别是在与强度导数的幅度一致的更清晰的边缘特征中（Noble和Boukerroui，2006）。出于这个原因，基于相位的方法被广泛用于具有弱边界的超声图像上的分割问题（Amoah等人，2015; Li等人，2016; Rueda等人，2011; Selvathi和Bama，2017; Wang等人， 2014年）。视觉注意力模型是一种试图模仿人类视觉系统在选择与有限资源相 关 的 信 息 时 的行 为 的 模 型 ， 并 且 是 指 显 着 性 模 型（ Gide 和Karam，2016; Itti等人，1998年）。视觉注意力模型领域的研究在过去的25年中发展迅速，其应用范围也越来越广泛，目前已经达到了大约65种注意力模型（Borji and Itti，2013）。根据Rodriguez-Niño等人（2017年）的研究，所有注意力模型在医学图像中都提供了良好的结果，尽管对于某些类型的医学图像，它的应用比其他类型更具挑战性。在医学超声图像中，显著图的模型取决于应用要求。Xie等人（2017）使用Take All Winner算法检测乳腺肿瘤的位置尽管如此，Xu等人（2018）实现了中性连接（NC），自适应中心偏差（AC）和前景图（FG Map）的组合来解决相同的问题。为了检测胎儿超声图像中的股骨，Yu等人（2015）采用了自下而上的特征集成理论模型。本研究提出一种在超音波影像中自动侦测与分割胎儿大腿横截面区域的架构。该方法包括基于相位的阈值化、基于模糊的阈值化、显著性视觉注意模型和作为后处理阶段的间隙连接方法。局部相位及其非对称特征提取的应用增强了然后，使用基于模糊的阈值化方法而不是使用诸如Otsu阈值化的非参数阈值化方法将候选横截面积与背景分离，因为基于模糊的方法提供了具有区域之间的更精确边界的分割结果（Sarkar等人，2015年）。这两种技术的结合将能够提高边界不清晰的分割精度。然而，在第一阈值处理过程中还获取了附着到胎儿大腿的横截面对象的其他对象。通过应用视觉注意力模型，我们可以聚焦和改善胎儿大腿横截面中心的特征，使得粘附到大腿截面外侧的部分第一和第二分割技术的组合将产生具有清晰区域边界的胎儿大腿的横截面区域。此外，为了改善分割结果，如果有一个区域的边缘上的对象是不连续的，我们实现了间隙连接的方法的基础上的属性的区域，如凸壳和椭圆拟合。所提出的模型的贡献是，该系统可以分割胎儿大腿的横截面积，并可以将该区域与由于不适当的扫描技术而附着在其上的其他对象第二个贡献是，该系统可以用于使用便携式超声拍摄的低质量超声图像。第三个贡献是，该系统可以用于获得大腿体积的测量值，这是3D超声的生物计量测量值，以预测胎儿体重。本文件分为四个部分。在第一部分中，我们介绍了我们的研究，目的和背景。第二部分描述了数据和建议的方法。 结果第三节对实验结果和讨论进行了说明。第四部分是对本文工作的总结2. 材料和方法2.1. 数据本研究中使用的超声图像是从便携式超声设备中获得的，该设备由64元件凸探头换能器、波束形成电路和具有Windows操作系统作为数据处理器的计算机或波束形成电路由16通道基于FPGA的波束形成器 、 16 通道 可变 增益 模拟 （ VGA ） 放大 器和 时间增 益补 偿（TGC）放大器、16通道具有聚焦控制的发射器、64通道接收器和30 MHz线性阵列组成从解剖学上讲，胎儿大腿的形状如图所示。 1（a）. 在实践中，当用超声波扫描时所取的部分是用于大腿部分的大腿骨（股骨）。为了使用经腹探头采集用于测量大腿体积的3D超声图像，首先，在矢状视图中可视化股骨的整个长度，如图1（b）所示，并且测量股骨长度（FL）。我们将基于局部区域的活动轮廓应用于股骨长度（FL）分割和测量（Hermawati等人，2019年）的报告。之后，将探头旋转90度，从股骨干的起点到终点进行线性扫描。股骨干的起点和终点呈弯曲的回声回飞棒结构。由于初始图像和最终图像不具有锐边且具有声学阴影，因此将删除出现在股骨开始之前和大腿骨尖端之后的图像部分该过程将产生几个横截面图像，例如图2中的示例。图2（a）示出了处于顶部位置并且不是完美圆形的胎儿大腿的横截面，以及图2（b）示出了中间位置处的横截面积，几乎是一个完美的圆。2.2. 方法该 系 统 由 三 个 主 要 阶 段 组 成 ， 如 图 3 所 示 。 首 先 ， 使用由（Hermawati等人，2018年a）。此外，横截面积的自动检测使用ACF和Hermawati等人提出的更快的R-CNN方法的组合来应用。（2018年b）。在提取的横截面积处，进行分割过程以获得实际感兴趣区域。2.2.1. 预处理超声图像的性质包含斑点噪声，这将降低进一步图像分析（诸如检测和分割）的结果的准确性（Hermawati等人，2018年a、2018年b）。Hermawati等人（2018 a）提出了一种混合方法来减少超声图像中的斑点噪声。混合方法结合了多分辨率小波技术，双边滤波，各向异性扩散技术。这种增强方法被证明能够增加超声中胎儿腹围分割的准确性Fajar Astuti Hermawati，H. Tjandrasa和N. 苏恰蒂沙特国王大学学报44502PAnn（一）.胎儿大腿的解剖（b）。矢状面Fig. 1. 超声图像中胎儿大腿和股骨区域的解剖结构。图二. 胎儿大腿横截面图像示例。图像（Hermawati等人， 2018a）和胎儿大腿横截面对象的检测的准确性（Hermawati等人，2018年b）。在这种混合降噪技术中（Hermawati等人，2018a），用3级小波变换对输入图像进行分解高频子带分量采用小波阈值和各向异性扩散方法进行处理在低频子带内采用双端滤波器对逼近图像进行平滑处理。图4（a）示出了原始超声图像，以及图4（b）示出了斑点噪声减少处理之后的图像。从图4（b）可以看出，所应用的降噪方法可以在保持图像边缘特征的同时消除噪声2.2.2. 对象检测方法在横截面积检测阶段，我们应用了基于对象的深度学习技术;即，Faster R-CNN结合非深度学习检测技术，即聚合通道特征（ACF）检测器（Hermawati et al.，2018年b）。ACF检测器用于在CNN学习阶段提供非横截面训练数据。在这种方法中，我们使用预训练的AlexNet CNN。图5示出了检测结果的示例。 图 5（a）是置信度为0.95355的顶部位置处的横截面积的检测结果。同时，图5（b）示出了置信因子等于0.97337的中间位置处的检测结果的图像。2.2.3. 建议的分段方法建议的分割技术的框架CON-相位一致性，然后是基于模糊熵的阈值。局部相位法的目的是改善截面图像的细节特征，从而将其从背景中分割出来。采用模糊熵阈值分割方法分割出区域边界清晰的横截面目标第二种方案是相位对称性和显著性视觉注意模型的结合。该阶段旨在获得所需对象的对称性的焦点区域。此外，为了克服分割区域的不闭合曲线，应用了间隙连接步骤。2.2.3.1.相位一致的保偏方案。胎儿大腿横截面的第一阈值化阶段是几种方法的组合，即局部相位的相位一致性（Kovesi，1999）和基于模糊熵的阈值化。首先，通过输入图像和高斯导数滤波器之间的卷积应用局部相位函数，其中滤波器大小等于5×r，其中r是输入图像的标准偏差，如图6所示。该函数以局部相位步长生成如图7相位一致性函数由一维数据X的傅立叶级数F（x）的展开生成，如等式（1）所示（一）.FxXAncosnx/n1其中，x是正弦信号项的常数（通常为2pf0），该正弦信号项以串行形式表示，由偏移相位/n/n表示。相位一致性（PC）定义在Eq.（二）、包括两种阈值处理方案，如绿色块所示图3.第三章。第一阈值方案将局部相位和PC最大值为2.5;2p]PnAncosnxx/n-hð2ÞnFajar Astuti Hermawati，H. Tjandrasa和N. 苏恰蒂沙特国王大学学报4451×图三. 横截面图像分割框图。（一）.降噪前（b）。降噪后见图4。预处理结果的示例。使（2）最大化的h是来自特定点处的所有傅立叶项的加权平均相位角。本地能源ExqF2xH2xð3Þ数据的函数E（x）被定义为一维亮度分布，如等式（1）所示。（三）、其中H（x）是F（x）的希尔伯特变换或F（x）的90度相移Fajar Astuti Hermawati，H. Tjandrasa和N. 苏恰蒂沙特国王大学学报4452L-1XPn×图五. 对象检测结果的示例。见图6。 局部相位函数的伪代码。利用局部相位信息在图7中示出，伪码在图8中示出。作为初始化，我们设置scale的数量= 5，对于n-水平的每个段的最大模糊熵被定义为等式。（四）、方向= 3。方位是指相位角为0-180HXpi×lni1/4ln.pi×lni也就是说，径向分量和角部分。径向部分连接-拖慢由滤波器引导的频带。计算径向部分的函数可以在图9的伪代码中看到。角度部分控制由过滤器引导的方向。角部函数的伪代码如图10所示。两个分量相乘在一起以构建整个滤波器。在构造径向滤波器组件时，首先使低通滤波器具有尽可能大的尺寸，但在边界处为零。所有的Gabor对数滤波器都乘以一个低通滤波器，以确保在FFT的角度中没有额外的频率输入，因为这将在计算相位适应性时破坏归一化过程。而对于构造角度分量，滤波器矩阵中的每个点计算距指定滤波器方向的角距离。为了克服划分周围角度的问题，首先计算正弦和余弦差值的差，然后使用功率的函数来确定角距离。软阈值处理是用来消除噪声，通过使用一个阈值估计值的分布上的最小规模。然后，使用基于熵的多级阈值化方法（级别n= 2）分割相位一致性特征。其中，ln（i）是灰度级i处的模糊隶属函数，并且Pn定义为Eq。（五）、L-1Pn<$pi×lni51/4隶属度函数的参数优化的差分进化（DE）方法。2.2.3.2. 基于相位对称和显著性视觉注意模型的控制策略。第一阈值化方案不能分离附着到所提取的对象的其他对象。结合相位对称性和视觉显著性模型的阈值化方法旨在获得输入图像的对称聚焦区域。原始的一维相位对称方法的基本思想是用正交滤波器组来纠缠信号这种对称性被认为是所有频率分量在其频率周期中处于最小或最大点的点。相位对称特征的检测必须通过几个单独的方向来完成，并且从不同方向生成的信息必须组合成单个手段。度在两个分量中生成偶数和奇数滤波器，n¼-ð4ÞPnFajar Astuti Hermawati，H. Tjandrasa和N. 苏恰蒂沙特国王大学学报4453PPAx;ye sosOð Þ ðÞ见图7。 局部相的相一致过程的流程。确定特征的重要性。获得相位对称性的过程与相位一致性相同。2D图像的相位对称特征用以下等式来公式化（六）、PSx;yPsPobjesox;yj-josox;yj]-TcPSx;y其中T是阈值，e是避免除以零的小常数，s是尺度，o是方向，eso=x;y = eso=x; y=eso =（x，y）是偶对称响应图像，并且oso（x，y）osox; y oso x; y是对称响应图像。奇对称响应图像下式（7）得到奇、偶对称响应图像：eso所以所以PsPob½jesox;yj-josox;yj]-Tc61/4Ix;y：Me;Ix;y：Mo7公司简介x;y所以所以SO所Fajar Astuti Hermawati，H. Tjandrasa和N. 苏恰蒂沙特国王大学学报4454见图8。 相位一致性特征算法的伪代码。见图9。 径向滤波函数的伪代码。Fajar Astuti Hermawati，H. Tjandrasa和N. 苏恰蒂沙特国王大学学报4455见图10。 角度滤波器函数的伪代码。见图11。 视觉注意模型中具有相位对称性和显著性的阈值化过程框图。见图12。 视觉注意模型算法的相位对称性和显著性伪代码。Fajar Astuti Hermawati，H. Tjandrasa和N. 苏恰蒂沙特国王大学学报4456. -是的 Σ. -是的 Σ¼¼¼¼所所所所图十三. 间隙连接过程的框图。关于MoMe是一个奇对称滤波器，Me 是一个甚至-其中N是归一化运算，是对称滤波器视觉注意模型涉及三种初始视觉，即，强度、颜色和方向。假设I和S表示整个鳞片。最后，I和S被归一化并添加到sal中。效率图（SM）如下等式：（十）、强度特征和对称相位图。使用高斯金字塔创建九个空间不同的空间尺度是1SM1/2 N I/N S/SM11/2加仑 2019年10月10日通过在特征图处渐进地应用低通滤波器和子采样来获得。在r = 0，1，2，.的情况下，获得两个高斯金字塔I（r）和S（r）。. ,8.在注意捕获阶段，围绕中心H的差分运算被计算为在整个金字塔尺度上的逐点差分。比如说，三个中心尺度被索引为c={2，3，4}，围绕中心的两个差异尺度被索引为d={3，4}和s=c+d，然后使用以下等式完成I和S的六个特征图（八）、Iwc;swc;Sc;s j S cH S sj8在每个特征通道处，对映射进行求和和归一化。分别为强度通道和对称通道生成两个显著性图I和SI，如等式（1）所示。（九）、接下来，对显著图SM中的值进行排序，并取大于阈值的值的55%。图11中示出了使用相位对称和视觉注意力模型的组合的阈值处理。该算法的伪代码在图1中提供。 12个。2.2.3.3. 间隙连接。横截面胎儿大腿图像的形状并不总是完全闭合的曲线。有时由于大腿周围的其他物体的挤压，会有一个小间隙因此，在分割的最后阶段，我们执行闭合间隙的过程在该间隙连接方法中，利用凸包区域（RC）和围绕所获得的对象（RE）的椭圆区域-I4二氧化碳-S4二氧化碳C4第三节C4第三节NIc;sNSc;s9Fajar Astuti Hermawati，H. Tjandrasa和N. 苏恰蒂沙特国王大学学报4457步 骤 连接 的 差距 在 分割 的 结果 中 可以看出图13岁在此阶段，阈值化步骤的结果在两个并行工作流中处理。第一行项目 RE在横截面的边界周围进行椭圆拟合Fajar Astuti Hermawati，H. Tjandrasa和N. 苏恰蒂沙特国王大学学报4458见图14。 每种方法的横截面积分割结果。object.另一行项目RC在分割区域上形成凸包。此外，将RE区域和RC区域之间的差异（（RE-RC）区域是由椭圆拟合覆盖的区域而不是凸包区域）以及RC区域和RE区域之间的差异（（RC-RE）区域是由凸包覆盖的区域将组合结果加到输入图像R。3. 结果和讨论如图14所示，为了研究所提出的分割框架的性能，我们将其与Rackham等人提出的局部相位阈值进行了比较，（2013）和Rueda等人，（2015）在文献中，分别使用基于模糊的阈值化、局部相位+基于模糊的阈值化和使用相位对称+视觉显著性模型的阈值化。我们还比较了用于分割的深度学习方法，即SegNet（Badrinarayanan等人，2017年）。根据Liu et al. （2018），SegNet模型在语义映射任务中的性能优于U-Net模型。Vaze和Nampente（2018）实施了U-Net模型，以检测脂肪组织在文献中。SegNet模型使用VGG16网络。数据训练由65张分辨率为150x150的 RGB图像组成图14示出了使用具有不同颜色的每种方法的分割区域的边界线。在每幅图中，边界线以红色绘制。从图14（f）中，我们可以看到所提出的方法（绿线）给出了精确的结果。相比之下，图 1 中 的局部相位阈值化的 结 果更好。 14(b) 图14（a）中的基于模糊的阈值化（品红色线）倾向于加宽并超过感兴趣区域。这是由于在超声图像中存在附着到横截面区域的其他物体。图14中的局部相位和基于模糊的阈值处理（黄线）的组合(c) 即使它仍然超出感兴趣区域，也具有更好的结果。而图14（d）中使用相位对称性+视觉显著性模型（白线）的分割结果聚焦于实际横截面面积，即使它们倾向于收敛到对象的顶部 图图14（e）示出了使用SegNet模型（青色线）的分割结果，其具有小于地面实况的面积。为了定量测量性能，我们应用了精度、灵敏度、特异性和Dice相似性，这些相似性测量了分割结果和地面实况之间的重叠，如Rueda等人（2014）所述。表1显示了使用SonostarTM Ubox-10超声扫描仪从胎龄在26周和41周之间变化的孕妇收集的50个胎儿大腿横截面图像的分割性能的平均值和标准差。表1示出了来自阈值化方法与局部相位的性能结果的比较（Rackham等人，2013; Rueda等人，Fajar Astuti Hermawati，H. Tjandrasa和N. 苏恰蒂沙特国王大学学报4459表1每种方法性能测量的平均值和偏差标准。方法精度灵敏度特异性骰子相似度该方法0.922 ± 0.0410.938 ± 0.050.910 ± 0.0400.928 ± 0.021SegNet模型（Badrinarayanan等人，（2017年）0.958 ± 0.0400.868 ± 0.0980.954 ± 0.0430.906 ± 0.046局部相位+基于模糊的阈值化（Rueda等人，（2015年）0.769 ± 0.0870.991 ± 0.0120.639 ± 0.1570.863 ± 0.054局部相（Rackham等人，2013年度）0.702 ± 0.0770.991 ± 0.0430.495 ± 0.1410.819 ± 0.056基于模糊的阈值化（Sarkar等人，（2015年）0.662 ± 0.0890.963 ± 0.0750.407 ± 0.1790.781 ± 0.068相位对称（Yu等人，（2015年）0.770 ± 0.0730.963 ± 0.0370.665 ± 0.0810.853 ± 0.041图15. 对胎儿大腿横截面的分割结果精度小于85%。图16. 胎儿大腿横截面积的分割结果具有最佳精度和特异性。2015）、基于模糊、局部相位+基于模糊、相位对称+视觉显著性模型和深度学习SegNet模型。SegNet模型具有最高的精度，因为分割区域是地面实况区域的子集，但并不总是正确的。较低的灵敏度值表明了这一点。总体而言，所提出的方法提供了最佳性能。对于灵敏度值，除了SegNet模型外，所有方法都表现出优异的性能，甚至其他方法的灵敏度值都高于所提出的方法。这是因为其他方法具有更广泛的分割结果并覆盖了地面实况区域。分割区域和地面实况区域之间的因为灵敏度是真阳性率，它是分割区域和实际区域（地面实况）之间的比较，这会导致值几乎为1或非常大。 更详细的分析可以使用图1中的示例图像来描述。 15，Fig. 16，Fig. 17和图 十八岁图图15呈现了具有最低精度分割结果（小于85%）的两个图像，其中手动分割结果的边界（地面实况）被赋予红色，而自动分割结果的边界被赋予绿色。图中的图像。 16（a）的精度为81.51%。在同时，图15（b）中的第二图像具有82.98%的精度。在左侧的第一幅图像中，由于端点的差异而出现差异，其中存在间隙，手动分割连接底端并形成拱形将其连接到另一端。而在右边第二张图像中，手动分割取左下端的厚部分当与自动分割的结果相比时，在右二行中，分割的结果具有更均匀的脂肪厚度。这种差异的发生是因为在确定脂肪层中的开放间隙的边缘时存在不同的感知，这是由过低的图像质量引起的图16示出了具有最佳精度和特异性的两个图像，并且图17示出了具 有 最 佳 灵 敏 度 的 分 割 结 果 。 如 图 16 （ a ） 所 示 ， 精 确 度 为98.49%，特异性为97.95%。图16（b）的精确度为98.38%，特异性为97.78%。而图17中的图像的第二分割的结果的灵敏度均为100%。它可以在两个图像中看到，无论是在图。 16、在图 17，虽然两者都具有高性能值和特异性，但准确性Fajar Astuti Hermawati，H. Tjandrasa和N. 苏恰蒂沙特国王大学学报4460图17. 具有最佳灵敏度的胎儿大腿横截面积的分割结果。图18. 分割的结果对胎儿大腿的横截面具有最好的准确性。不太好。高精度值是由分割区域和地面实况区域之间的切口区域引起的，该切口区域在地面实况区域内部或作为地面实况区域的一部分，并且大小与分割区域相同。因此，要查看更好的分割方法的性能，请将灵敏度值与特异性值或称为准确度一起使用。 图 18显示了分割的结果，最好的准确率为96.3%和96.12%。具有高精度的区域通常也具有高Dice相似性值。的示例中图 18，Dice的相似性值分别为96.35%和96.44%。用Matlab实现的分割算法的计算时间约为0.737571 s.这个时间比使用基 于 深 度 学 习 的 SegNet 方 法 进 行 分 割 的 时 间 要 快 ， 大 约 为23.377423 s。4. 结论针对胎儿大腿横截面提出了一种基于相位一致性和模糊熵的阈值分割方法，结合了相位对称性方法和视觉显著性注意模型。该方法能较好地提取具有非结构化形状和纹理特征组合阈值方法足以从附着的对象获得大腿横截面。与基于模糊熵的阈值化、局部相位的相位一致性、局部相位+基于模糊熵的阈值化、相位对称性+视觉显著性模型和基于深度学习的SegNet模型相比，所提出的框架给出了最佳性能竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。致谢本研究得到了Universitas 17 Agustus 1945 Surabaya信息学系、Institut Teknologi Sepuluh Nopuluh Surabaya信息学系以及印度尼西亚共和国研究、技术和高等教育部高等教育总局（DIKTI）的全力支持。引用Amoah，B.，Anto，E.A.，Crimi，A.，2015.通过使用局部相位骨检测进行低成本设置 的 自动 胎 儿 测量 在 ：IEEE 医 学 和生 物 学 工程 学 会 年度 国 际 会 议论 文 集 。https://doi.org/10.1109/EMBC.2015.7318325网站。Badrinarayanan，V.，Kendall，A.，奇波拉河2017. SegNet：用于图像分割的深度卷积编 码 器 - 解 码 器 架 构 。 IEEE 传 输 模 式 分 析 马 赫 内 特 尔 39 ， 2481-2495 。https://doi.org/10.1109/TPAMI.2016.2644615网站。Belaid，A.，Boukerroui，D.，医学，M。Lerallut，J.，2011.基于相位的水平集超声图像分割。IEEETrans.InfTechnol.Biomed.15，138-147。https://doi.org/10.1109/TITB.2010.2090889网站。Borji，A.，伊蒂湖，2013.视觉注意力建模的最新技术。IEEE传输模式分析马赫内特尔35，185-207。https://doi.org/10.1109/TPAMI.2012.89网站。 Feng，S.，（1991），中国农业科学院农业科学研究所，Zhou，K.S.，李，W.，2012.使用3D超声自动估计胎儿体重。在：SPIE的Proc.，医学成像2012：计算机辅助诊断. pp. 1-7. https://doi.org/10.1117/12.911736纪德，理学硕士，Karam，L.J.，2016年。计算视觉注意力模型。Found. 趋势信号处理。10，347-427.新罕布什尔州哈伦，Mashor，M. Y.，Abu Bakar，J.，哈桑河，Khair，新墨西哥州，Hambali，H.，2018.基于改进暗对比度算法的图像融合去噪技术急性白血病细胞图像的鲁棒分割。Int.J.Adv.Intell.信息格式。4，202https://doi.org/10.26555/ijain.v4i3.276。Hasenoehrl，G.，Pohlhammer，A.，格鲁伯河，Staudach，A.，Steiner，H.，2009.通过2D和3D超声估计胎儿体重：六种公式的比较。Ultraschall Med. 30，585-590.https://doi.org/10.1055/s-0028-1109185网站。Hermawati，F.A.，Tjandrasa，H.，Suciati，N.，2018年a.胎儿超声图像腹围分割的混合斑点噪声抑制方法。 国际电子计算杂志Eng.（IJECE）8，1747-1757.Hermawati，F.A. ，Tjandrasa，H.，Suciati ，N. ，2018年b月。结合聚合通道特征（ACF）检测器和更快的R-CNN，以提高胎儿超声图像中的目标检测性能。Int. J. 内特尔Eng. 系统11，65-74。Hermawati，F.A.，Tjandrasa，H.，Sugiono，S.，阿齐斯，美国大兵2019.基于区域定位的胎儿股骨长度自动测量Fajar Astuti Hermawati，H. Tjandrasa和N. 苏恰蒂沙特国王大学学报4461主 动 轮 廓 法 《 物 理 学 会 议 期 刊 》 ， 1230 。 https://doi.org/10.1088/1742-6596/1230/1/012002。伊蒂湖，科赫角，澳-地Niebur，E.，1998年基于显著性的视觉注意模型。 IEEE传输模式分析马赫内特尔20，1254-1259.Kovesi，P.，1999.相位一致性的图像特征。Videre：J. Comput.远景水库1.一、李，W. ，Balasubramaniam ， M.， Deter ，R.L. ，杨 湖哈桑 ，S. S.， Gotsch ，F. ，Kusanovic，J.P.，Gonçalves，L.F.，罗梅罗河2009.利用肢体分数体积估计胎儿体重的新模型。超声妇产科。34，556-565。网址：//doi. org/10.1002/uog.7327.New.李，W.，Deter，R.L.，Ebersole，J.D.，黄河，巴西-地Blanckaert，K.，罗梅罗河2001年 三 维 超 声 预 测 出 生 体 重 ： 肢 体 体 积 分 数 。 超 声 医 学 杂 志 20 ， 1283-1292 。https://doi.org/10.7863/jum.2001.20.12.1283.李，W.，Deter，R.L.，McNie，B.，Gonçalves，L.F.，Espinoza，J.，Chaiworapongsa，T.，Balasubramaniam，M.，罗梅罗河2005.正常妊娠胎儿臂部发育的个体化评估。超声医学杂志24，917-828。网址：//doi. org/10.1017/CBO9781107415324.004Li，X.，Li，C.，Fedorov，A.，Kapur，T.，杨，X.，2016.使用活动频带上的水平集和边 缘 上 的 强 度 变 化 从 超 声 图 像 中 分 割 前 列 腺 。 Med. Phys. 43 ，3090https://doi.org/10.1118/1.4950721网站。刘昆，Salberg，A.，詹森河，2018. 用于超高分辨率图像语义映射的深度学习架构比较。在：IGARSS 2018-2 0 1 8 IE E E 国 际 地 球 科 学 和 遥 感 研 讨 会 ， pp 。 6943-6946诺布尔，J.，Boukerroui，D.，2006.超声图像分割综述。医学成像，IEEE Trans.25，987-1010。Pashaj，S.，Merz，E.，Petrela，E.，2013年。胎儿基本生长参数的自动超声测量Ultraschall Med. 34，137-144. https://doi.org/10.1055/s-0032-1325465.拉克姆，T.M.，Rueda，S.，Knight，C.L.，Noble，J.A.，2013.基于特征不对称和形状引导的超声图像分割。Proc. of SPIE Medical Imaging 2013：Image Processing8669，1-9. https://doi.org/10.1117/12.2007131.Rodriguez-Niño，B.，温，G.，Pecen，F.Y.，维宁DJ Markey，M.K.，Garg，N.，2017.二维医学图像上计算视觉注意模型的比较研究。医学成像杂志4，025503。https://doi.org/10.1117/1.jmi的网站。4.2.025503。Rueda ， S. ， Fathima ， S. ， Knight ， C.L. ， Yaqub ， M. ， Papageorghiou ， A.T. ，Rahmatullah，B.，Foi，A.，Maggioni，M.，Pepe，A.，Tohka，J.，斯泰宾，RV，Mcmanigle，J.E.，成员，S.，Ciurte，A.，Bresson，X.，Cuadra，M.B.，孙角，澳-地Ponomarev，G.V.，Gelfand，M.S.，Kazanov，医学博士，Wang，C.，中国地质大学，陈洪，彭，C.，洪，C.，Noble，J.A.，2014. 当前胎儿超声图像分割方法的评价与比较生物测量方法：一个巨大的挑战。IEEE Trans. Med. Imaging 33，797-813.Rueda，S.，奈特角，澳-地Papageorghiou，A.，Noble，J.A.，2011.基于局部相位的模糊连通性超声图像分割。医学图像理解和分析（MIUA），331-335。Rueda，S.，Knight，C.L.，Papageorghiou，A.T.，Alison Noble，J.，2015年。基于模糊 连 通 性 的 超 声 图 像 分 割 与 目 标 完 成 步 骤 。 医 学 图 像 分 析https://doi.org/10.1016/j.media.2015.07.002网站。萨卡尔，S.，保罗，S.，伯尔曼河，达斯，S.，乔杜里，S.，2015.一种基于模糊熵的差分进 化 多 阈 值 图 像 分 割 方 法 。 Lect. Notes 计 算 Sci. 8947 ， 386-395 。https://doi.org/10.1007/978-3-319-20294-5网站。Selvathi，D.，巴马，S.，2017.基于相位的距离正则化水平集在超声肾脏图像分割中的应用。模式n。Lett. 86，9-17。https://doi.org/10.1016/j.patrec.2016.12.002网站。Vaze，S.，纳米比亚，A.I.L.2018年使用高效CNN分割胎儿脂肪组织在：墨尔本A.等人（编辑）数据驱动的治疗反应评估和早产儿，围产期和儿科图像分析。PIPPI2018 ， DATRA 2018 。 计 算 机 科 学 讲 义 ， 11076 。 施 普 林 格 ， 占 ， pp. 55-65.h