基于图神经网络与分层细化的颅内动脉自动标记
计算机视觉与模式识别
2020-07-30 v1 机器学习
图像与视频处理
机器学习
摘要
用解剖学名称自动标记颅内动脉（ICA）有助于特征提取与颅内血管结构的详细分析。由于自然与病理原因，ICA 存在显著变异，使自动标记颇具挑战。然而，现有的用于解剖标记评估的公开数据集有限。我们构建了一个包含 729 例磁共振血管成像（Magnetic Resonance Angiography）扫描的综合数据集，并提出一种图神经网络（GNN）方法，通过属性关系图中节点与边的类型分类来标记动脉。此外，我们开发了分层细化框架，以进一步改进 GNN 输出，从而融入关于 ICA 的结构与关系知识。我们的方法在包含健康与患病受试者的 105 例扫描测试集上，实现了 97.5% 的节点标记准确率，且 63.8% 的扫描在 Willis 环所有节点上均被正确标记。这相比现有最优方法有明显提升。自动动脉标记有望最小化刻画复杂 ICA 网络的人工投入，并为识别血管疾病的几何风险因素提供有价值信息。我们的代码与数据集可在 https://github.com/clatfd/GNN-ARTLABEL 获取。
引用
@article{arxiv.2007.14472,
title = {Automated Intracranial Artery Labeling using a Graph Neural Network and Hierarchical Refinement},
author = {Li Chen and Thomas Hatsukami and Jenq-Neng Hwang and Chun Yuan},
journal= {arXiv preprint arXiv:2007.14472},
year = {2020}
}
备注
MICCAI 2020