Echo-SyncNet：超声心动图中的自监督心脏切面同步
计算机视觉与模式识别
2021-02-05 v1 图像与视频处理
摘要
在超声心动图（echo）中， conventionally 使用心电图（ECG）对不同心脏切面进行时间对齐以评估关键测量指标。然而，在急诊或床旁场景中，获取 ECG 通常不可行，因此催生了对替代性时间同步方法的需求。本文提出 Echo-SyncNet，一种自监督学习框架，可在无任何外部输入的情况下同步多种横断面 2D 超声心动图序列。该框架利用了视内与视间两种自监督信号：前者依赖于单条超声心动图 cine 各帧之间的时空模式，后者依赖于多条 cine 之间的相互依赖关系。组合监督用于学习一个特征丰富的嵌入空间，其中多条超声心动图 cine 可实现时间同步。我们通过多个实验评估该框架：1）使用 998 名患者的数据，Echo-SyncNet 在同步心尖两腔与心尖四腔心脏切面方面展现出良好结果；2）使用 3070 名患者的数据，实验表明 Echo-SyncNet 所学表征优于为自动检测细粒度心脏时相而优化的有监督深度学习方法；3）我们展示了所学表征在心脏关键帧检测的一次性学习场景中的效用。无需任何微调，通过将 1188 项验证患者研究与仅一个标注参考研究同步，即可识别其中的关键帧。我们不对训练所用具体心脏切面做任何先验假设，并表明 Echo-SyncNet 能准确泛化至训练集中未出现的切面。项目仓库：github.com/fatemehtd/Echo-SyncNet。
引用
@article{arxiv.2102.02287,
title = {Echo-SyncNet: Self-supervised Cardiac View Synchronization in Echocardiography},
author = {Fatemeh Taheri Dezaki and Christina Luong and Tom Ginsberg and Robert Rohling and Ken Gin and Purang Abolmaesumi and Teresa Tsang},
journal= {arXiv preprint arXiv:2102.02287},
year = {2021}
}
备注
13 pages, 15 figures, submitted