TransNFCMFE U-NET З ПОВНІСТЮ ЗГОРТКОВИМ ДИСКРИМІНАТОРОМ ДЛЯ СЕМАНТИЧНОЇ СЕГМЕНТАЦІЇ УЛЬТРАЗВУКОВИХ ЗОБРАЖЕНЬ МОЗКУ ПЛОДА

TransNFCMFE U-NET З ПОВНІСТЮ ЗГОРТКОВИМ ДИСКРИМІНАТОРОМ ДЛЯ СЕМАНТИЧНОЇ СЕГМЕНТАЦІЇ УЛЬТРАЗВУКОВИХ ЗОБРАЖЕНЬ МОЗКУ ПЛОДА Анотація Точна сегментація ореолу черепа має життєво важливе значення для діагностики аномалій мозку плода на ультразвукових зображеннях, але цей процес ускладнений через властивий спекл-шум, низький контраст тканин та розмиті межі.Класичні архітектури глибокого навчання, такі як U-Net, Attention U-Net та DeepLab-v2, демонструють обмеження в адекватному моделюванні глобального контексту, недостатньо ефективні у відновленні деталей меж та мають низьку адаптивність до нежорстких деформацій.Щоб подолати ці виклики, у цій статті пропонується нова мережа TransNfcmfe U-Net, посилена повністю згортковим дискримінатором, для автоматичної семантичної сегментації ореолу черепа на ультразвукових зображеннях мозку плода.Архітектура інтегрує багаторівневі інновації.По-перше, для вирішення проблеми моделювання глобального контексту вводиться змагальна схема навчання з повністю згортковим дискримінатором, а також вбудовані модулі Transformer для захоплення довгострокових залежностей.По-друге, для покращення відновлення деталей меж розроблено модуль Нормалізованого Фур'є-Кросс-Взаємного Покращення Ознак (NFCMFE), який вбудовано у пропускні з'єднання.Використовуючи взаємну кореляцію у фур'є-домені, NFCMFE ефективно пригнічує високочастотний шум та забезпечує більш точне окреслення країв.Нарешті, Деформовна Згортка та GeM Pooling застосовуються під час знижувальної вибірки (downsampling) для підвищення просторової адаптивності та надійності проти нежорстких деформацій.№ 13(54) 2025 2285 Порівняльні експерименти на наборі даних окружності голови плода підтвердили перевагу запропонованого підходу.TransNfcmfe U-Net досягла Точності 97,5%, IoU 92,7% та Коефіцієнта Дайса 96,2%, значно перевершивши U-Net, Attention U-Net та DeepLab-v2.Результати підтверджують високу продуктивність та придатність моделі для автоматизованої сегментації в умовах шумних ультразвукових зображень.