本硕士论文由Jiale Hou撰写，于2025年5月提交给塞浦路斯理工大学，解决了超声图像中自动前列腺分割的挑战。前列腺分割是计算机辅助诊断和治疗计划（包括癌症在内的前列腺相关疾病）的关键步骤。超声成像由于其非侵入性和实时能力，在临床环境中被广泛使用。然而，超声图像中固有的噪声、低对比度和变异性使得准确分割成为一项复杂的任务。本论文提出了利用多样化预处理策略和多输入神经网络架构来提高分割性能的增强方法。
多样化预处理策略: 本论文系统研究并实施了多种预处理技术，以解决超声成像中的常见问题，如斑点噪声、强度不均匀性和边界模糊性。通过优化这些预处理步骤，分割模型的输入数据质量显著提高，从而更好地描绘前列腺区域。
多输入架构: 基于深度学习的最新进展，该工作引入并评估了多输入神经网络架构。这些模型设计用于同时处理输入数据的不同表示或模态，使网络能够学习互补特征和上下文信息。这种方法增强了模型在不同超声数据集和患者解剖结构中的泛化能力。
综合评估: 本论文包括使用临床超声数据集进行的广泛实验验证。报告了定量指标，如Dice相似系数、敏感性和特异性，证明了所提出方法相对于传统单输入和不太复杂的预处理方法的优越性。
临床相关性: 通过专注于稳健和自动化的解决方案，该研究旨在减少操作员间的变异性，并改善真实世界临床工作流程中前列腺分割的可重现性。
自动前列腺分割中提出的增强对研究和临床实践都具有重要意义。改进的分割准确性有助于更精确的诊断、治疗计划和前列腺疾病监测。先进预处理和多输入架构的集成为医学图像分析（特别是超声等具有挑战性的模态）的未来研究设定了新的基准。此外，本论文中开发的方法可以适应其他器官分割任务和成像模态，扩大其适用性。该工作为利用人工智能改善医疗保健结果的持续努力做出贡献，支持向更个性化和数据驱动的医学过渡。