基于集成学习的多估计器全左心室量化
计算机视觉与模式识别
2021-03-24 v1
摘要
心血管疾病占美国每 4 例死亡中的 1 例。准确估计心脏结构与功能参数对于诊断和疾病管理都至关重要。在本工作中，我们开发了一个集成学习框架，以实现更准确、更鲁棒的左心室（LV）量化。该框架组合了两个一级模块：直接估计模块和分割模块。直接估计模块利用卷积神经网络（CNN）实现端到端的量化，该 CNN 以 2D 心脏图像为输入、以心脏参数为输出进行训练。分割模块利用 U-Net 架构从背景中获取左心室心外膜与心内膜的逐像素预测。随后，由独立的 CNN 分析二值 U-Net 输出以估计心脏参数。我们进而在一级预测器与真实值之间采用线性回归，学习一个二级预测器，将一级模块的结果进行集成以得到最终估计。在 LVQuan18 数据集上测试所提框架的初步结果表明，该集成学习模型优于两个基础模块。
引用
@article{arxiv.1808.02056,
title = {Multi-Estimator Full Left Ventricle Quantification through Ensemble Learning},
author = {Jiasha Liu and Xiang Li and Hui Ren and Quanzheng Li},
journal= {arXiv preprint arXiv:1808.02056},
year = {2021}
}
备注
Jiasha Liu, Xiang Li and Hui Ren contribute equally to this work