基于图卷积神经网络的自动超声心动图切面识别：一种整体方法

为便于心脏超声（US）诊断，临床实践建立了几个标准心脏切面，这些切面作为诊断测量的参考点，并定义了采集图像的视口。自动切面识别涉及将这些图像分类为标准切面类别。尽管深度学习技术已成功实现这一点，但由于心脏结构的正确位置、姿态和潜在遮挡等因素，它们仍难以完全验证图像对特定测量的适用性。我们的方法超越了切面分类，并整合了心脏的 3D 网格重建，从而支持多个下游任务，如分割和姿态估计。在本文中，我们探索通过图卷积学习 3D 心脏网格，使用类似于自然图像中学习 3D 网格的技术（如人体姿态估计）。由于完全标注的 3D 图像有限，我们通过训练对抗性去噪扩散模型从 3D 网格生成合成超声图像。在合成和临床病例上进行了切面识别和结构检测实验。该方法在合成图像上表现良好，尽管仅使用合成数据训练，在应用于临床图像时已显示出潜力。通过这一概念验证，我们旨在展示图在改善心脏切面识别方面的优势，最终提高心脏诊断效率。