GL-Fusion：用于多视图超声心动图视频分割的全局-局部融合网络
计算机视觉与模式识别
2023-09-21 v1
摘要
从超声心动图视频中进行心脏结构分割在心脏病诊断中起着关键作用。多视图超声心动图数据的结合对于提升自动化方法的准确性与鲁棒性至关重要。然而，由于数据的视觉差异，提取跨视图上下文信息仍是一项挑战，且不成熟的融合策略甚至会削弱性能。在本研究中，我们提出一种新颖的全局-局部融合（GL-Fusion）网络，从全局和局部联合利用多视图信息，以提升超声心动图分析的准确率。具体而言，提出多视图基于全局的融合模块（MGFM）以提取全局上下文信息并探索超声心动图视频中不同心跳周期的循环关系。此外，设计多视图基于局部的融合模块（MLFM）以提取不同视图下心脏结构的相关性。进一步地，我们收集了一个多视图超声心动图视频数据集（MvEVD）来评估我们的方法。我们的方法取得了 82.29% 的平均 Dice 分数，较基线方法提升 7.83%，并优于其他现有的最先进方法。据我们所知，这是首次对超声心动图视频分割多视图方法的探索。代码见：https://github.com/xmed-lab/GL-Fusion
引用
@article{arxiv.2309.11144,
title = {GL-Fusion: Global-Local Fusion Network for Multi-view Echocardiogram Video Segmentation},
author = {Ziyang Zheng and Jiewen Yang and Xinpeng Ding and Xiaowei Xu and Xiaomeng Li},
journal= {arXiv preprint arXiv:2309.11144},
year = {2023}
}
备注
Accepted By MICCAI 2023