01 论文评审
一、基本信息
- 论文题目： 基于弱监督的超声图像分割方法
- 论文作者： 金松柏
- 指导教师：陆文凯 研究员
二、评审意见
论文针对超声图像分割问题中弱监督学习方法进行了研究， 算法有效利用少量标准数据和大量弱标注数据提高了模型的性能。 论文选题具有重要的理论意义和应用价值。
论文从不同角度对超声图像分割问题改进了弱监督学习方法， 包括基于图像生成的数据扩增、预测标准噪声以及改进网络正则化条件等。 论文工作的贡献包括有：
（1） 设计并实现了一种基于条件扩散模型的超声心动图的合成算法。 利用算法对超声图像样本进行扩增，提高了深度学习网络的图像分割性能。
（2） 设计了一种超声图像有噪标注的识别与修正算法， 通过迭代过程同时训练辅助噪声估计网络和分割网络， 提高了分割网络性能。
（3） 提出了一种基于频域先验信息网络学习正则化条件， 提高了DNN泛化性能。
以上算法经过实验，结果证明了算法的有效性， 提高了超声图像分割的质量。
论文书写清晰，叙述流畅，公式正确，图表规范。实验设计合理，结果分析充分。论文工作表明了作者掌握了本领域坚实的基础理论，具备了从事相关领域的研究工作的能力。论文达到了工学硕士论文的要求，同意进行硕士论文答辩。
三、修改意见
-
针对所提基于条件扩散模型图像合成算法所具有的时间复杂高的问题， 设计和优化算法中网络结构， 提高算法运算速度。 由于所生成合成图像是用于辅助训练分割网络， 所以在算法生成的质量和数量方面需要进行合理的综合。
-
在应用图像频谱作为分割网络正则化条件中， 因为分割边缘所占比例只是图像的一小部分。 建议对频域加权模板的设计和优化进一步讨论，使其能够更好地分割边缘描述特性。 实验结果也反映了现在文中给定的方法对分割结果盖然并不是特别明显。
-
建议进一步提高论文实验所使用的数据的种类和数量， 对算法性能的提高增加说服力。
四、评价表格
| 评价方面 | 评价结果 |
|---|---|
| 论文选题的理论意义或实用价值 | 【×】优 【 】良 中 差 |
| 文献综述水平 | 【×】优 【 】良 中 差 |
| 论文新见解 | 【×】优 【 】良 中 差 |
| 论文所反映的基础理论和专业知识水平 | 【×】优 【 】良 中 差 |
| 论文总结与写作水平 | 【×】优 【 】良 中 差 |
| 论文是否达到硕士学位学术水平？ | 【×】是 【 】否 |
论文内容
一、论文亮点
二、论文资源
-
Monkam 等人提出了基于 Fourier 算法的合成超声心动图方法。 Monkam P, Jin S, Lu W. An efficient annotated data generation method for echocardiographic image segmentation[J]. Computers in Biology and Medicine, 2022, 149: 106090.
-
。Bamber 等人[29]提出的基于卷积方法的超声图像合成法的基本思想是将真实超声图像看作是点扩散函数与真实物体的卷积，然后通过计算模拟点扩散函数和物体的卷积来合成超声图像。