LU-Net：一种通过深度学习提升二维超声心动图左心室结构分割鲁棒性的多任务网络
图像与视频处理
2020-04-07 v1 机器学习
机器学习
摘要
心脏结构分割是估算心脏容积指标的基本步骤之一。在临床常规中该步骤仍半自动完成，因此易受观察者间与观察者内差异影响。近期研究表明，深度学习有潜力实现全自动分割。然而，当前最佳方案仍缺乏鲁棒性。本工作中，我们提出一种端到端多任务网络，旨在提升心脏分割的整体精度，同时改善临床指标估计并减少离群值数量。在大型开放获取数据集上的结果表明，我们的方法优于当前性能最佳的深度学习方案，并对心外膜边界实现了低于观察者内变异的整体分割精度（即平均绝对误差 1.5mm、Hausdorff 距离 5.1mm），离群值占 11%。此外，我们证明该方法可紧密复现专家对左室舒张末期与收缩末期容积的分析，平均相关系数 0.96、平均绝对误差 7.6ml。对于左室射血分数，结果差异较大，平均相关系数 0.83、平均绝对误差 5.0%，所得评分略低于观察者内界限。基于该观察，我们提出了改进方向。
引用
@article{arxiv.2004.02043,
title = {LU-Net: a multi-task network to improve the robustness of segmentation of left ventriclular structures by deep learning in 2D echocardiography},
author = {Sarah Leclerc and Erik Smistad and Andreas Østvik and Frederic Cervenansky and Florian Espinosa and Torvald Espeland and Erik Andreas Rye Berg and Thomas Grenier and Carole Lartizien and Pierre-Marc Jodoin and Lasse Lovstakken and Olivier Bernard},
journal= {arXiv preprint arXiv:2004.02043},
year = {2020}
}