文献速递骨肌技术与安全US

基于随机森林的超声骨分割

Random Forest-Based Bone Segmentation in Ultrasound.
PubMed 文献 · Ultrasound Med Biol · 2017-07-21

本文描述一种利用基于块的随机森林分类器和超声特异性特征(如声影)在二维超声图像中自动分割骨的方法;指出现有声影特征对超声采集参数变化不稳健,并提出一种新的稳健声影特征;在多个超声数据集上评估,在143幅脊柱超声图像测试集上达到召回率0.86、精确率0.82,结果优于现有技术。

要点

  • 提出基于块的随机森林分类器结合超声特异性特征进行二维超声骨自动分割。
  • 现有声影特征对超声采集参数变化不稳健,提出新的稳健声影特征。
  • 在143幅脊柱超声测试集上召回率0.86、精确率0.82,结果优于现有技术。

核心结论

  • 基于块的随机森林分类器结合新的稳健声影特征可实现二维超声骨自动分割,在143幅脊柱超声测试集上召回率0.86、精确率0.82,结果优于现有技术。

研究设计与样本

  • 方法学研究,使用基于块的随机森林分类器和超声特异性特征进行二维超声骨分割,在多个超声数据集上评估,测试集包含143幅脊柱超声图像。

关键影像表现/征象

  • 现有声影特征对超声采集参数变化不稳健,所提新的声影特征更稳健。

诊断标准与关键数值

  • 在143幅脊柱超声图像测试集上,召回率0.86、精确率0.82。

以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。

英文原文(摘要)· 点击展开

Ultrasound (US) imaging is a safe alternative to radiography for guidance during minimally invasive orthopedic procedures. However, ultrasound is challenging to interpret because of the relatively low signal-to-noise ratio and its inherent speckle pattern that decreases image quality. Here we describe a method for automatic bone segmentation in 2-D ultrasound images using a patch-based random forest classifier and several ultrasound specific features, such as shadowing. We illustrate that existing shadow features are not robust to changes in US acquisition parameters, and propose a novel robust shadow feature. We evaluate the method on several US data sets and report that it favorably compares with existing techniques. We achieve a recall of 0.86 at a precision of 0.82 on a test set of 143 spinal US images.

来源:Ultrasound Med Biol,查看原文。版权归原作者所有。

引用

  1. Baka N, Leenstra S, van Walsum T, et al. Random Forest-Based Bone Segmentation in Ultrasound. Ultrasound Med Biol. 2017. PMID: 28735735. doi:10.1016/j.ultrasmedbio.2017.04.022

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。