GraphEcho：用于超声心动图视频分割的图驱动无监督域适应
计算机视觉与模式识别
2023-09-21 v1
摘要
超声心动图视频分割在心脏疾病诊断中起着重要作用。本文研究超声心动图视频分割的无监督域适应（UDA），其目标是将源域上训练的模型泛化到其他无标注目标域。现有的 UDA 分割方法不适用于该任务，因为它们未对局部信息及心跳的循环一致性进行建模。本文中，我们介绍了一个新收集的数据集 CardiacUDA 以及一种用于心脏结构分割的新颖方法 GraphEcho。我们的 GraphEcho 包含空间维跨域图匹配（SCGM）和时序循环一致性（TCC）两个创新模块，分别利用了超声心动图视频的先验知识，即跨患者和中心的心脏结构一致性以及心跳循环一致性。这两个模块能更好地对齐源域和目标域的全局与局部特征，改善 UDA 分割结果。实验结果表明，我们的 GraphEcho 优于现有的最先进 UDA 分割方法。我们收集的数据集与代码将在录用后公开。本工作将为超声心动图视频心脏结构分割奠定新的坚实基础。代码与数据集见：https://github.com/xmed-lab/GraphEcho
引用
@article{arxiv.2309.11145,
title = {GraphEcho: Graph-Driven Unsupervised Domain Adaptation for Echocardiogram Video Segmentation},
author = {Jiewen Yang and Xinpeng Ding and Ziyang Zheng and Xiaowei Xu and Xiaomeng Li},
journal= {arXiv preprint arXiv:2309.11145},
year = {2023}
}
备注
Accepted By ICCV 2023