基于图像级标注的心脏脂肪组织分割
图像与视频处理
2022-06-10 v1 计算机视觉与模式识别
摘要
自动识别心脏异常潜在的结构性基质可为介入操作提供实时引导。借助心脏组织基质的认知，通过检测需治疗的心律失常基质（即脂肪组织）并识别需避开的关键结构，可进一步优化心房颤动和室性心动过速等复杂心律失常的治疗。光学相干断层扫描（OCT）是一种实时成像方式，有助于满足这一需求。现有的心脏图像分析方法主要依赖全监督学习技术，其缺陷在于像素级标注过程劳动密集、标注工作量繁重。为减少对像素级标注的需求，我们开发了一种两阶段深度学习框架，利用人心脏基质OCT图像上的图像级标注进行心脏脂肪组织分割。具体而言，我们整合类激活映射与超像素分割，以解决心脏组织分割中出现的稀疏组织种子难题。本研究弥合了自动组织分析需求与高质量像素级标注匮乏之间的鸿沟。据我们所知，这是首项尝试通过弱监督学习技术解决OCT图像心脏组织分割的研究。在一个体外人心脏OCT数据集中，我们证明了基于图像级标注的弱监督方法取得了与基于像素级标注训练的全监督方法相当的性能。
引用
@article{arxiv.2206.04238,
title = {Cardiac Adipose Tissue Segmentation via Image-Level Annotations},
author = {Ziyi Huang and Yu Gan and Theresa Lye and Yanchen Liu and Haofeng Zhang and Andrew Laine and Elsa Angelini and Christine Hendon},
journal= {arXiv preprint arXiv:2206.04238},
year = {2022}
}