EchoGNN：基于图神经网络的可解释射血分数估计
图像与视频处理
2023-07-25 v2 机器学习
摘要
射血分数（EF）是心功能的关键指标，可用于识别易患心力衰竭等心脏功能障碍的患者。EF 由称为超声心动图（echo）的心脏超声视频估计，方法是手动描迹左心室并估算其在特定帧上的容积。由于手动操作及视频质量差异，这类估计表现出较高的观测者间变异性。此类不精确来源及快速评估需求，使得可靠且可解释的机器学习技术成为必要。本工作中，我们提出 EchoGNN，一种基于图神经网络（GNNs）从 echo 视频估计 EF 的模型。我们的模型首先从单段或多段 echo 电影序列的帧中推断潜在 echo 图，随后在该图的节点与边上估计权重，指示有助于 EF 估计的各帧重要性。一个 GNN 回归器利用该加权图预测 EF。我们从定性与定量上表明，所学图权重通过识别 EF 估计的关键帧提供可解释性，可用于判断何时需要人工介入。在 EchoNet-Dynamic 公开 EF 数据集上，EchoGNN 取得了与最先进（SOTA）相当的 EF 预测性能，并提供了可解释性，鉴于该任务固有的高观测者间变异性，这一点至关重要。
引用
@article{arxiv.2208.14003,
title = {EchoGNN: Explainable Ejection Fraction Estimation with Graph Neural Networks},
author = {Masoud Mokhtari and Teresa Tsang and Purang Abolmaesumi and Renjie Liao},
journal= {arXiv preprint arXiv:2208.14003},
year = {2023}
}
备注
Published in MICCAI 2022