CACTUS：基于深度迁移学习的超声图像自动心脏评估与分类的开放数据集和框架
计算机视觉与模式识别
2025-03-10 v1 人工智能
摘要
心脏超声 (US) 扫描是心脏病学中用于诊断心脏健康及其正常功能的常用技术。因此，有必要考虑自动化这些任务的方法，并协助医疗专业人员进行心脏 US 图像的分类和评估。机器学习 (ML) 技术被视为一种突出的解决方案，因为它们在旨在增强医疗领域的众多应用中取得了成功，包括解决超声技师短缺的问题。然而，医疗数据的有限可用性是在心脏病学中应用 ML 的重大障碍，特别是在心脏 US 图像方面。本文通过引入首个用于心脏超声评估与分类 (CACTUS) 的开放分级数据集（可在线获取）来应对这一挑战。该数据集包含通过扫描 CAE Blue Phantom 获得的图像，表示各种心脏视图和不同质量水平，超越了文献中常见的常规心脏视图。此外，本文介绍了一个由两个主要部分组成的深度学习 (DL) 框架。第一部分使用卷积神经网络 (CNN) 根据心脏视图对心脏 US 图像进行分类。第二部分使用迁移学习 (TL) 微调第一部分的知识，并创建一个用于对心脏图像进行分级和评估的模型。该框架在分类和分级方面均表现出高性能，分别实现了高达 99.43% 的准确率和低至 0.3067 的误差。为了展示其鲁棒性，该框架使用代表额外心脏视图的新图像进行了进一步微调，并与几种其他 SOTA 架构进行了比较。还通过心脏专家回答的问卷评估了该框架在处理实时扫描时的结果和性能。
引用
@article{arxiv.2503.05604,
title = {CACTUS: An Open Dataset and Framework for Automated Cardiac Assessment and Classification of Ultrasound Images Using Deep Transfer Learning},
author = {Hanae Elmekki and Ahmed Alagha and Hani Sami and Amanda Spilkin and Antonela Mariel Zanuttini and Ehsan Zakeri and Jamal Bentahar and Lyes Kadem and Wen-Fang Xie and Philippe Pibarot and Rabeb Mizouni and Hadi Otrok and Shakti Singh and Azzam Mourad},
journal= {arXiv preprint arXiv:2503.05604},
year = {2025}
}