基于公开大规模数据集的二维超声心动图深度学习分割
图像与视频处理
2019-08-23 v2
摘要
从二维超声心动图像中勾画心脏结构是建立诊断的常见临床任务。过去几十年中，该任务的自动化一直是激烈研究的课题。在本文中，我们评估了最先进的编码器-解码器深度卷积神经网络方法在评估二维超声心动图像（即分割心脏结构以及估计临床指标）方面能达到何种程度，所用数据集专为回答此目标而设计。因此我们引入了心脏多结构超声分割采集（CAMUS）数据集，这是用于超声心动评估的公开可用、完全标注的最大数据集。该数据集包含 500 名患者的两腔与四腔采集，其中全体数据集由一名心脏病专家给出参考测量，50 名患者的子集由三名心脏病专家给出参考测量。结果表明，基于编码器-解码器的架构优于最先进的非深度学习方法，并忠实复现了专家对左室舒张末期与收缩末期容积的分析，平均相关系数为 0.95，绝对平均误差为 9.5 ml。关于左室射血分数，结果反差较大，平均相关系数为 0.80，绝对平均误差为 5.6%。尽管这些结果低于观察者间评分，但仍略差于观察者内评分。基于该观察，我们确定了改进方向，这为准确且全自动的二维超声心动图像分析打开了大门。
引用
@article{arxiv.1908.06948,
title = {Deep Learning for Segmentation using an Open Large-Scale Dataset in 2D Echocardiography},
author = {Sarah Leclerc and Erik Smistad and João Pedrosa and Andreas Østvik and Frederic Cervenansky and Florian Espinosa and Torvald Espeland and Erik Andreas Rye Berg and Pierre-Marc Jodoin and Thomas Grenier and Carole Lartizien and Jan D'hooge and Lasse Lovstakken and Olivier Bernard},
journal= {arXiv preprint arXiv:1908.06948},
year = {2019}
}