基于深度学习的超声胸腔积液分割：使用坐标卷积
图像与视频处理
2022-08-08 v1 计算机视觉与模式识别
摘要
在许多中低收入国家（LMIC），超声被用于胸腔积液的评估。通常，积液范围由超声医师手动测量，导致显著的观察者内/观察者间变异性。本工作中，我们研究使用深度学习（DL）来自动化从超声图像中分割胸腔积液的过程。在 LMIC 环境下获取的两个数据集上，我们使用 nnU-net DL 模型分别取得了 0.82 和 0.74 的中位 Dice 相似系数（DSC）。我们还研究了在 DL 模型中使用坐标卷积，发现这使得第一个数据集上的中位 DSC 统计显著提升至 0.85，而在第二个数据集上无显著变化。本工作首次展示了在缺乏经验丰富放射科医师执行此类任务的 LMIC 环境中，DL 在自动化超声积液评估过程中的潜力。
引用
@article{arxiv.2208.03305,
title = {Deep Learning-based Segmentation of Pleural Effusion From Ultrasound Using Coordinate Convolutions},
author = {Germain Morilhat and Naomi Kifle and Sandra FinesilverSmith and Bram Ruijsink and Vittoria Vergani and Habtamu Tegegne Desita and Zerubabel Tegegne Desita and Esther Puyol-Anton and Aaron Carass and Andrew P. King},
journal= {arXiv preprint arXiv:2208.03305},
year = {2022}
}
备注
This paper has been accepted for publication at the MICCAI FAIR workshop