超声心动图体积指标提取：何种深度学习方案适用于临床？
图像与视频处理
2023-06-26 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
基于深度学习的方法引领了超声心动图像的自动分析，其利用了专家标注的多个开放获取数据集（CAMUS为最大的公共数据库之一）的发布。然而，由于存在以下未解决问题，这些模型仍被临床医生认为不可靠：i)其预测的时间一致性，以及ii)其跨数据集的泛化能力。在此背景下，我们对当前在医学/超声心动图像分割中性能最佳的方法进行了全面比较，特别关注时间一致性与跨数据集方面。我们引入了一个名为CARDINAL的新私有数据集，包含心尖两腔与心尖四腔序列，并带有整个心动周期的参考分割。我们表明所提出的3D nnU-Net优于替代的2D与循环分割方法。我们还报告，在CARDINAL上训练的最佳模型，在未作任何微调的情况下测试于CAMUS时，仍能与先前方法竞争。总体而言，实验结果表明，若有充足训练数据，3D nnU-Net可成为首个最终满足日常临床设备标准的自动化工具。
引用
@article{arxiv.2305.01997,
title = {Extraction of volumetric indices from echocardiography: which deep learning solution for clinical use?},
author = {Hang Jung Ling and Nathan Painchaud and Pierre-Yves Courand and Pierre-Marc Jodoin and Damien Garcia and Olivier Bernard},
journal= {arXiv preprint arXiv:2305.01997},
year = {2023}
}
备注
10 pages, accepted for FIMH 2023; camera ready corrections, corrected acknowledgments