面向三维超声左心房分割的域与几何无关CNN
计算机视觉与模式识别
2019-04-19 v1 计算机与社会
机器学习
摘要
左心房的分割及其尺寸推导有助于预测和检测各种心血管疾病。在三维超声图像数据中实现该过程的自动化是理想的，因为手动勾画耗时、具有挑战性且依赖于观察者。卷积神经网络已在计算机视觉和医学图像分析中取得进展，已成功应用于分割任务，并被扩展以处理体数据。本文中，我们提出了一种基于深度学习的三维超声采集体分割联合方法，融入了关于左心房形状和成像设备的先验知识。结果表明，引入形状先验有助于域适应，且通过对抗学习进一步提升了分割精度。
引用
@article{arxiv.1805.00357,
title = {Domain and Geometry Agnostic CNNs for Left Atrium Segmentation in 3D Ultrasound},
author = {Markus A. Degel and Nassir Navab and Shadi Albarqouni},
journal= {arXiv preprint arXiv:1805.00357},
year = {2019}
}