EchoONE：基于单一模型的多视图心导图分割
计算机视觉与模式识别
2025-04-10 v3
摘要
在心导图检查的临床实践中，通常需要多个包含不同心脏结构和不同视图的平面，以进行心脏疾病的筛查、诊断和治疗。针对每个特定平面开发的AI心导图模型因结构差异巨大而导致重复开发和额外复杂性。这篇论文提出了一种新方案——EchoONE，采用基于SAM的分割架构，引入先验可组合掩模学习（PC-Mask）模块实现语义感知的稠密提示生成，并设计可学习的CNN分支搭配简洁有效的局部特征融合与适应（LFFA）模块以适配SAM。我们在多个内部和外部心导图数据集上进行了广泛评估，在不同心脏平面的多来源数据集上实现了持续的领先表现。这类多平面分割（MPS）问题的有效解决方案迄今为止尚未得到充分探讨，EchoONE首次在单一模型中解决了心导图数据的MPS问题。代码将发布于 https://github.com/a2502503/EchoONE。
引用
@article{arxiv.2412.02993,
title = {EchoONE: Segmenting Multiple echocardiography Planes in One Model},
author = {Jiongtong Hu and Wei Zhuo and Jun Cheng and Yingying Liu and Wufeng Xue and Dong Ni},
journal= {arXiv preprint arXiv:2412.02993},
year = {2025}
}
备注
Accepted by CVPR 2025