深度学习架构与预训练对离体高速发声图像中声带自动分割的影响

离体发声实验的二维（2D）声门内粒子图像测速（PIV）可量化声带内侧表面动力学与声门内流场。然而，由于残余眩光、组织与流场对比度低以及示踪粒子散斑遮蔽声带边界，该方法依赖人工分割。本研究评估了深度学习架构与 ImageNet 预训练如何影响这些高速图像中的自动声带分割。我们基准测试了来自三个类别的四种成熟架构：基于卷积神经网络（CNN）的 UNet 和 UNet++、基于 CNN-Transformer 混合架构的 TransUNet，以及基于纯 Transformer 的 Swin-UNet，后两者分别从头训练和从 ImageNet 预训练权重训练。使用来自 227 次离体犬喉发声试验的 16,344 张专家标注图像，六条流程在标准化协议下以五个随机种子训练，并在 50 次留出测试试验上使用试验级 Wilcoxon 符号秩检验与 Holm 校正进行比较。平均 Dice 相似系数（DSC）仅在 0.9734 至 0.9764 之间，因此各流程主要在边界保真度上存在差异。预训练显著改善了 TransUNet 和 Swin-UNet 的边界 F1 分数（BF1）和 95 百分位 Hausdorff 距离（HD95），其中 Swin-UNet 的提升约高出四倍。预训练后，两者表现相似，尽管 Swin-UNet 的可训练参数仅约为其四分之一。未经预训练时，TransUNet 的 BF1 显著更高、HD95 更低，优于两个基于 CNN 的流程，且其 HD95 > 50 像素的图像占比约为后者的一半。据我们所知，这是首个将深度学习应用于 2D 声门内 PIV 声带分割的研究，并为分割光学条件嘈杂或物体高度变形的实验流动可视化图像提供了参考框架。

中文由 AI 翻译，仅供参考，以原文为准。