Automatic segmentation of anatomical landmarks from ultrasound (US) plays an important role in the management of preterm neonates with a very low birth weight due to the increased risk of developing intraventricular hemorrhage (IVH) or other complications. One major problem in developing an automatic segmentation method for this task is the limited availability of annotated data. To tackle this issue, we propose a novel image synthesis method using multi-scale self attention generator to synthesize US images from various segmentation masks. We show that our method can synthesize high-quality US images for every manipulated segmentation label with qualitative and quantitative improvements over the recent state-of-the-art synthesis methods. Furthermore, for the segmentation task, we propose a novel method, called Confidence-guided Brain Anatomy Segmentation (CBAS) network, where segmentation and corresponding confidence maps are estimated at different scales. In addition, we introduce a technique which guides CBAS to learn the weights based on the confidence measure about the estimate. Extensive experiments demonstrate that the proposed method for both synthesis and segmentation tasks achieve significant improvements over the recent state-of-the-art methods. In particular, we show that the new synthesis framework can be used to generate realistic US images which can be used to improve the performance of a segmentation algorithm.

中文翻译：

---

学习用较少的数据从 2D 超声中分割大脑解剖结构

由于发生脑室内出血 (IVH) 或其他并发症的风险增加，超声 (US) 自动分割解剖标志在管理出生体重极低的早产儿方面发挥着重要作用。为此任务开发自动分割方法的一个主要问题是注释数据的可用性有限。为了解决这个问题，我们提出了一种新的图像合成方法，使用多尺度自注意力生成器从各种分割掩码合成美国图像。我们表明，我们的方法可以为每个操纵的分割标签合成高质量的美国图像，与最近最先进的合成方法相比具有定性和定量的改进。此外，对于分割任务，我们提出了一种新方法，称为置信度引导的脑解剖分割 (CBAS) 网络，其中在不同的尺度上估计分割和相应的置信度图。此外，我们引入了一种技术，该技术可指导 CBAS 根据估计的置信度来学习权重。大量实验表明，所提出的用于合成和分割任务的方法比最近的最先进方法取得了显着的改进。特别是，我们展示了新的合成框架可用于生成逼真的美国图像，可用于提高分割算法的性能。我们引入了一种技术，该技术可指导 CBAS 根据估计的置信度来学习权重。大量实验表明，所提出的用于合成和分割任务的方法比最近的最先进方法取得了显着的改进。特别是，我们展示了新的合成框架可用于生成逼真的美国图像，可用于提高分割算法的性能。我们引入了一种技术，该技术可指导 CBAS 根据估计的置信度来学习权重。大量实验表明，所提出的用于合成和分割任务的方法比最近的最先进方法取得了显着的改进。特别是，我们展示了新的合成框架可用于生成逼真的美国图像，可用于提高分割算法的性能。