IVUS-Net：一种血管内超声分割网络
机器学习
2018-06-15 v2 机器学习
神经与进化计算
图像与视频处理
摘要
血管内超声（IVUS）是最有效的成像模态之一，可辅助专家诊断和治疗心血管疾病。我们利用全卷积网络（FCN）解决 IVUS 图像分析中的一个核心问题：自动描绘 IVUS 图像中的管腔和中膜-外膜边界，这对于缩短诊断流程或实现更快、更准确的动脉三维重建至关重要。具体而言，我们提出一种称为 IVUS-Net 的 FCN 架构，并辅以轮廓提取后处理步骤，以自动分割人体动脉的内部（管腔）和外部（中膜-外膜）区域。我们在包含 326 张 IVUS B 超图像的标准公开数据集测试集上评估了 IVUS-Net，采用两项指标：Jaccard 度量（JM）和 Hausdorff 距离（HD）。评估结果显示，IVUS-Net 在 HD 距离上比最先进的管腔和中膜分割方法高出 4% 至 20%。IVUS-Net 在测试集中含有大量训练集中不常见的显著主要伪影（如分叉、阴影和侧支）的图像上表现良好。此外，使用现代 GPU，IVUS-Net 仅需 0.15 秒即可分割每帧 IVUS 图像。据我们所知，所提工作是首个基于深度学习的、在 20 MHz IVUS B 超图像中分割管腔和中膜血管壁且无需任何人工干预即可取得最佳结果的方法。代码见 https://github.com/Kulbear/ivus-segmentation-icsm2018
引用
@article{arxiv.1806.03583,
title = {IVUS-Net: An Intravascular Ultrasound Segmentation Network},
author = {Ji Yang and Lin Tong and Mehdi Faraji and Anup Basu},
journal= {arXiv preprint arXiv:1806.03583},
year = {2018}
}
备注
7 pages, 3 figures, accepted to be published in International Conference of Smart Multimedia. The final authenticated publication is available online at https://doi.org/