通过深度生成模型学习可解释的解剖学特征：在心脏重构中的应用
计算机视觉与模式识别
2018-07-19 v1
摘要
心脏几何与功能的改变定义了公认的心血管疾病成因。然而，当前心血管疾病的诊断方法常依赖主观人工评估以及医学图像的手工分析。这两个因素限制了在量化复杂结构与功能表型时的敏感性。深度学习方法近来在医学图像分类或分割等任务上取得了成功，但在特征提取与决策过程中缺乏可解释性，限制了其在临床诊断中的价值。在本工作中，我们提出了一种 3D 卷积生成模型，用于自动分类来自患有与结构重构相关心脏疾病患者的图像。该模型利用了从 3D 分割中学习到的可解释的任务特异性解剖模式。它进一步允许在图像的原始输入空间中可视化和量化所学到的病理特异性重构模式。该方法在对我们自己的多中心数据集（100%）以及 ACDC MICCAI 2017 数据集（90%）上的未见 MR 图像进行测试时，在健康与肥厚型心肌病受试者的分类中取得了高准确率。我们相信所提出的深度学习方法朝着开发医学影像领域可解释分类器迈出了有希望的一步，可能帮助临床医生提高诊断准确性并改善患者风险分层。
引用
@article{arxiv.1807.06843,
title = {Learning Interpretable Anatomical Features Through Deep Generative Models: Application to Cardiac Remodeling},
author = {Carlo Biffi and Ozan Oktay and Giacomo Tarroni and Wenjia Bai and Antonio De Marvao and Georgia Doumou and Martin Rajchl and Reem Bedair and Sanjay Prasad and Stuart Cook and Declan O'Regan and Daniel Rueckert},
journal= {arXiv preprint arXiv:1807.06843},
year = {2018}
}
备注
Accepted at MICCAI 2018