CPR-GCN：用于冠状动脉自动解剖标记的条件的部分残差图卷积网络
计算机视觉与模式识别
2020-04-21 v4 图像与视频处理
摘要
自动解剖标记在冠状动脉疾病诊断过程中起着至关重要的作用。该问题的主要挑战是人类解剖学中固有的大个体差异。现有方法通常依赖位置信息和冠状动脉树的拓扑先验知识，当主支混淆时可能导致性能不佳。受图神经网络在结构化数据中广泛应用的启发，本文提出条件的部分残差图卷积网络(CPR-GCN)，其同时考虑位置和CT图像，因为CT图像包含分支尺寸和延伸方向等丰富信息。CPR-GCN包括两个主要部分：部分残差GCN和条件提取器。条件提取器是包含3D CNN和LSTM的混合模型，可沿分支提取3D空间图像特征。在技术层面，部分残差GCN以分支的位置特征及3D空间图像特征为条件，预测各分支的标签。而在数学层面，我们的方法将偏微分方程(PDE)融入图建模。从临床收集了511名受试者的数据集，并由两位专家通过两阶段标注过程进行标注。根据五折交叉验证，我们的CPR-GCN取得95.8%平均召回率、95.4%平均精确率和0.955平均F1，优于最先进方法。
引用
@article{arxiv.2003.08560,
title = {CPR-GCN: Conditional Partial-Residual Graph Convolutional Network in Automated Anatomical Labeling of Coronary Arteries},
author = {Han Yang and Xingjian Zhen and Ying Chi and Lei Zhang and Xian-Sheng Hua},
journal= {arXiv preprint arXiv:2003.08560},
year = {2020}
}
备注
This work is done by Xingjian Zhen during internship in Alibaba Damo Academy