EchoGLAD：用于超声心动图左心室 landmark 检测的分层图神经网络
计算机视觉与模式识别
2023-07-25 v1 机器学习
摘要
心脏左心室腔的功能评估需要检测四个 landmark 位置，并测量左心室内部尺寸及周围肌肉的近似质量。用机器学习自动化该任务的关键挑战是临床标签的稀疏性，即高维图像中仅标注了少数 landmark 像素，导致许多先前工作严重依赖各向同性标签平滑。然而，此类标签平滑策略忽略图像的解剖信息并引入一定偏差。为应对该挑战，我们引入一种基于超声心动图的分层图神经网络（GNN）用于左心室 landmark 检测（EchoGLAD）。我们的主要贡献为：1）通过 GNN 进行多分辨率 landmark 检测的分层图表示学习框架；2）使用多级损失在不同粒度上施加分层监督。我们在公开与私有数据集上，于分布内（ID）和分布外（OOD）设定下评估模型。在 ID 设定下，我们在两个数据集上取得了 1.46 mm 和 1.86 mm 的最先进平均绝对误差（MAE）。我们的模型也展现出优于先前工作的 OOD 泛化能力，测试 MAE 为 4.3 mm。
引用
@article{arxiv.2307.12229,
title = {EchoGLAD: Hierarchical Graph Neural Networks for Left Ventricle Landmark Detection on Echocardiograms},
author = {Masoud Mokhtari and Mobina Mahdavi and Hooman Vaseli and Christina Luong and Purang Abolmaesumi and Teresa S. M. Tsang and Renjie Liao},
journal= {arXiv preprint arXiv:2307.12229},
year = {2023}
}
备注
To be published in MICCAI 2023