基于神经ODE微分同胚配准场的超声心动图分割
计算机视觉与模式识别
2023-06-19 v1
摘要
卷积神经网络(CNNs)近来已证明其分割二维心脏超声图像的优异能力。然而,大多数对心脏超声视频进行全序列分割的尝试要么依赖于仅在关键帧图像上训练的模型,要么无法随时间保持拓扑结构。为解决这些问题,本文将超声视频的分割视为配准估计问题,并提出一种利用神经常微分方程(Neural ODE)进行微分同胚图像配准的新方法。具体而言,我们将帧间的配准场向量场视为连续轨迹ODE。随后将估计的配准场应用于第一帧的分割掩码,以获得整个心动周期的分割。所提方法Echo-ODE相较先前最先进水平引入了若干关键改进。首先,通过求解连续ODE,该方法实现了更平滑的分割,并在整个序列中保持分割图的拓扑结构(Hausdorff距离:3.7-4.4)。其次,它在不显式优化时间一致性属性的情况下保持了帧间时间一致性,在数据集91%的视频中实现了时间一致性。最后,该方法能够保持分割图的临床准确性(左心室射血分数LVEF的MAE:2.7-3.1)。结果表明,我们的方法在多个方面超越了先前最先进水平,证明了空间-时间数据处理对于在医学成像应用中实现Neural ODE的重要性。这些发现为解决超声心动图分割任务开辟了新的研究方向。
引用
@article{arxiv.2306.09687,
title = {Echocardiography Segmentation Using Neural ODE-based Diffeomorphic Registration Field},
author = {Phi Nguyen Van and Hieu Pham Huy and Long Tran Quoc},
journal= {arXiv preprint arXiv:2306.09687},
year = {2023}
}
备注
Submitted to IEEE TMI in June 2023