[论文解读] 3D Ultrasound image segmentation: A Survey
本综述全面回顾了医学应用中3D超声图像分割技术，按临床用途分类，如前列腺癌和乳腺癌、胎儿成像及心血管分析。根据交互性、鲁棒性和评估指标对技术进行评估，指出尽管许多3D方法基于2D方法扩展而来，但在复杂、低对比度的超声图像中，仍需专门的3D或4D算法以实现最佳性能。
Three-dimensional Ultrasound image segmentation methods are surveyed in this paper. The focus of this report is to investigate applications of these techniques and a review of the original ideas and concepts. Although many two-dimensional image segmentation in the literature have been considered as a three-dimensional approach by mistake but we review them as a three-dimensional technique. We select the studies that have addressed the problem of medical three-dimensional Ultrasound image segmentation utilizing their proposed techniques. The evaluation methods and comparison between them are presented and tabulated in terms of evaluation techniques, interactivity, and robustness.
研究动机与目标
- 系统性回顾适用于临床诊断的3D超声图像分割方法。
- 基于交互性、鲁棒性和评估方法分析并比较分割技术。
- 识别当前方法中的不足之处，特别是对2D方法扩展在3D应用中的依赖。
- 按临床应用领域（如前列腺、乳腺、胎儿和心脏成像）对3D超声分割方法进行分类。
- 通过总结不同医学情境下各类方法的优势与局限，为研究人员选择合适的分割技术提供建议。
提出的方法
- 按临床应用对3D超声分割方法进行分类，包括前列腺癌、乳腺癌、胎儿与胚胎成像、心血管及骨科应用。
- 回顾经典与前沿技术，如可变形曲面、水平集方法、基于图的方法以及结合先验解剖知识的主动轮廓。
- 使用交互性（手动、半自动、自动）、对噪声和伪影的鲁棒性以及性能指标等标准评估方法。
- 分析具体实现，包括3D主动多面体、霍夫森林（Hough forests）以及在3D超声体积上训练的随机森林分类器，用于组织分类。
- 研究结合边缘与区域特征的混合方法，例如Lee等人使用支持向量机（SVM）基于提取特征进行肿瘤分类。
- 回顾基于纹理和强度的分割方法，采用统计模型（如Parzen估计器）和多分辨率方案实现实时组织区分。
实验结果
研究问题
- RQ1在前列腺癌或乳腺癌诊断等临床应用中，哪些3D超声分割技术最为有效？
- RQ2交互性水平（手动、半自动、自动）如何影响分割精度和临床可用性？
- RQ3经典2D分割技术在3D超声成像中的泛化程度如何？存在哪些局限性？
- RQ4如随机森林、主动轮廓和基于图的模型等先进方法，在低对比度、噪声较多的3D超声图像中如何提升鲁棒性？
- RQ5图像重建质量在3D超声分割成功中的作用是什么，特别是在从2D切片重建时？
主要发现
- 许多3D超声分割方法是2D技术的延伸，表明需要原生3D或4D算法以充分挖掘体素数据的潜力。
- 结合内部力（如曲率最小化）和外部力（如图像特征吸引）的可变形模型在前列腺分割中表现优异，尽管对初始化敏感。
- 监督方法如霍夫森林和在3D超声体积上训练的随机森林可实现精确的组织分类，包括中脑、前列腺和心脏结构。
- 基于纹理和强度的分割方法结合统计模型（如Parzen非参数估计）可提高对肿瘤、血液和手术器械的区分准确性。
- 结合先验解剖知识的基于图的方法和主动轮廓方法可在眼和肺等复杂解剖区域实现鲁棒分割。
- 评估结果表明，不同方法在交互性和鲁棒性方面差异显著，半自动和自动方法在一致性与可重复性方面优于纯手动方法。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。