用于心脏超声中左心室分割与射血分数预测的轻量级时空图模型
计算机视觉与模式识别
2022-07-07 v1
摘要
准确且一致的超声心动图参数预测对心血管诊断与治疗十分重要。特别地，左心室分割可用于推导心室容积、射血分数（EF）及其他相关测量。本文提出一种称为 EchoGraphs 的新自动化方法，通过检测解剖关键点来预测射血分数并分割左心室。基于图卷积网络（GCNs）的直接坐标回归模型用于检测关键点。GCNs 能够基于每个关键点的局部表观以及所有关键点组合的全局空间与时间结构学习表示心脏形状。我们在 EchoNet 基准数据集上评估 EchoGraphs 模型。与语义分割相比，GCNs 展现出准确的分割以及在鲁棒性与推理耗时上的改进。EF 与分割同时计算，我们的方法也取得了当前最优的射血分数估计。源代码在线可用：https://github.com/guybenyosef/EchoGraphs。
引用
@article{arxiv.2207.02549,
title = {Light-weight spatio-temporal graphs for segmentation and ejection fraction prediction in cardiac ultrasound},
author = {Sarina Thomas and Andrew Gilbert and Guy Ben-Yosef},
journal= {arXiv preprint arXiv:2207.02549},
year = {2022}
}
备注
Accepted to MICCAI 2022