多任务学习甲状腺区域的甲状腺结节分割Prior 介绍 超声图像中的甲状腺结节分割是一项有价值且具有挑战性的任务，对于甲状腺癌的诊断具有重要意义。 由于缺乏对甲状腺区域感知的先验知识，超声图像固有的低对比度以及超声视频不同帧之间的复杂外观变化，直接应用语义分割技术的现有甲状腺结节自动分割算法很容易会误解非甲状腺区域为结节。 在这项工作中，我们提出了甲状腺区域先导特征增强网络（TRFE-Net）用于甲状腺结节分割。 为了促进甲状腺结节分割的发展，我们贡献了TN3k：甲状腺结节图像的开放式访问数据集

在图像/视频系统中，能够提高视觉质量的对比度调节是当今的重要研究课题。 然而，已经非常有限的努力致力于用于对比度调节的图像质量评估（IQA）的探索。 为了解决这个问题，本文提出了一种新的减少参考量（RR）的IQA度量标准，该方法结合了自下而上和自上而下的策略。 前者源于最近揭示的自由能理论，该理论告诉我们，人类视觉系统总是通过不确定性消除来寻求理解输入图像，而后者则致力于使用对称的KL散度来比较对比度改变后的直方图。图像与参考图像的图像。 最后，将自下而上和自上而下的策略进行组合，以得出降低参考

最近提出的模型，称为盲/无参考图像空间质量评估器（BRISQUE）， 在盲人环境中达到最先进的性能图像质量评估（IQA）。 该模型使用了预定义的广义高斯分布（GGD）来描述自然场景统计的规律性，引入拟合误差由于图像内容的变化。 在本文中，更多提出了广义模型以更好地描述广泛的图像内容的规律性，这可以从均值减去对比度归一化的级联直方图（MSCN）系数和MSCN系数的成对乘积的相邻像素。 基于MSCN的新功能显示保留图像固有分布的能力统计数据。 因此支持向量机回归（SVR） 可以将其映射到更准确的图像