Unsupervised segmentation and data augmentation in image sequences of skeletal muscle contraction by cycle-consistent generative adversarial network

Saboori, ArashUmeå universitet,Institutionen för strålningsvetenskaper (författare)

This paper investigates a method addressing the unsupervised segmentation and joint data augmentation in medical ultrasound imaging based on the modified CycleGAN. Accurate quantification of fascia and muscle is the key for the diagnostics of neuromuscular disorders based on the analysis of image sequences of skeletal muscle contraction. Although the Deep Learning (DL) models represent encouraging results, some challenges exist. The traditional models don't consider the complex interaction between tissues within a muscle and its surroundings, which reduces the performance of the fascia segmentation. Also, the DL requires many annotated datasets, which ignores dealing with noisy and complex ultrasound images. To overcome these issues, we propose a method to generate realistic images, and then present an unsupervised fascia segmentation method. The results show that our method improves the segmentation accuracy in noisy and complex ultrasound images compared to the traditional methods.

Grönlund, ChristerUmeå universitet,Institutionen för strålningsvetenskaper(Swepub:umu)chgr0009 (författare)
Umeå universitetInstitutionen för strålningsvetenskaper (creator_code:org_t)

Ingår i:2023 international conference on modeling, simulation & intelligent computing (MoSICom): IEEE, s. 474-47997983503934159798350393422

Om ämnet

TEKNIK OCH TEKNOLOGIER: TEKNIK OCH TEKNO ...; och Medicinteknik; och Medicinsk bildbe ...

MEDICIN OCH HÄLSOVETENSKAP: MEDICIN OCH HÄLS ...; och Klinisk medicin; och Radiologi och bi ...

NATURVETENSKAP: NATURVETENSKAP; och Data och informa ...; och Datorseende och ...

Kungliga biblioteket hanterar dina personuppgifter i enlighet med EU:s dataskyddsförordning (2018), GDPR. Läs mer om hur det funkar här.
Så här hanterar KB dina uppgifter vid användning av denna tjänst.