通过尊重任务内与任务间相关性的深度多任务学习网络实现左心室全量化
计算机视觉与模式识别
2017-06-15 v2
摘要
心脏左心室 (LV) 量化是识别和诊断心脏疾病最重要的临床任务之一，但由于心脏结构的高度变异性和时间动力学的复杂性，这仍然是一个挑战。全量化，即同时量化所有 LV 指标，包括两个面积（心腔和心肌）、六个区域室壁厚度 (RWT)、三个 LV 尺寸和一个心脏相位，更具挑战性，因为每类指标内部及之间的不确定相关性可能会阻碍学习过程更好地收敛和泛化。在本文中，我们提出了一种新设计的多任务学习网络 (FullLVNet)，它由用于心脏结构表达性特征嵌入的深度卷积神经网络 (CNN)、两个随后的用于时间动力学建模的并行循环神经网络 (RNN) 模块以及四个用于最终估计的线性模型组成。在最终估计过程中，对任务内和任务间的相关性进行建模以强制提高泛化能力：1) 尊重任务内相关性，对每个回归任务应用组 Lasso 以进行稀疏和共同特征选择及一致预测；2) 尊重任务间相关性，提出了三个相位引导约束以惩罚所获 LV 指标时间行为的违规。对 145 名受试者的 MR 序列实验表明，FullLVNet 凭借我们的任务内和任务间相关性实现了高精度预测，平均面积、RWT 和尺寸的 MAE 分别为 190mm、1.41mm、2.68mm，相位分类的错误率为 10.4\%。这使得我们的方法在全球、区域和动态心脏功能的综合临床评估中具有巨大潜力。
引用
@article{arxiv.1706.01912,
title = {Full Quantification of Left Ventricle via Deep Multitask Learning Network Respecting Intra- and Inter-Task Relatedness},
author = {Wufeng Xue and Andrea Lum and Ashley Mercado and Mark Landis and James Warringto and Shuo Li},
journal= {arXiv preprint arXiv:1706.01912},
year = {2017}
}
备注
Accepted at MICCAI 2017