CardiacNet：从超声心动图视频中学习重建异常以进行心脏疾病评估
图像与视频处理
2024-10-29 v1 计算机视觉与模式识别
摘要
超声心动图视频在分析心脏功能和诊断心脏疾病中发挥着至关重要的作用。当前的深度神经网络方法主要通过结合先验知识（例如分割由人类专家标注的心脏结构或病变）来提高诊断准确率。然而，诊断心脏在空间和时间维度上存在的不一致行为仍然极具挑战性。例如，心脏运动分析需要从心跳周期中获取空间和时间信息。为了解决这个问题，我们提出了一种名为 CardiacNet 的基于重建的新方法，通过超声心动图视频学习局部心脏结构和运动异常的更好表示。CardiacNet 结合了一致性形变码本（CDC）和一致性形变判别器（CDD），通过结合心脏先验知识来学习异常和正常样本之间的共性。此外，我们提出了名为 CardiacNet-PAH 和 CardiacNet-ASD 的基准数据集，以评估心脏疾病评估的有效性。在实验中，我们的 CardiacNet 在公开数据集 CAMUS、EchoNet 和我们的数据集上的三个不同的心脏疾病评估任务中均取得了 state-of-the-art 的结果。代码和数据集可在以下地址获取：https://github.com/xmed-lab/CardiacNet。
引用
@article{arxiv.2410.20769,
title = {CardiacNet: Learning to Reconstruct Abnormalities for Cardiac Disease Assessment from Echocardiogram Videos},
author = {Jiewen Yang and Yiqun Lin and Bin Pu and Jiarong Guo and Xiaowei Xu and Xiaomeng Li},
journal= {arXiv preprint arXiv:2410.20769},
year = {2024}
}
备注
Paper Accepted by ECCV 2024 with Oral Presentation