基于深度学习的胎儿超声心动图多切面与多类图像分割
图像与视频处理
2021-03-24 v1 计算机视觉与模式识别
摘要
先天性心脏病（CHD）是美国与出生缺陷相关的最常见先天性异常。尽管过去数年有培训努力且超声技术大幅进步，CHD 仍是产前超声检查中常被漏诊的异常。因此，CHD 的计算机辅助检测可通过改善筛查与诊断在产前护理中发挥关键作用。由于许多 CHD 涉及结构异常，解剖结构的自动分割是分析胎儿超声心动图的重要步骤。现有方法主要聚焦于四腔心切面且结构数量少，而此处我们提出一个更全面的深度学习分割框架，覆盖三血管气管切面与四腔心切面中的 14 个解剖结构。具体而言，我们的框架以空间 dropout、组归一化与深度监督增强 V-Net，以训练可应用于两切面且不受异常影响的分割模型。通过识别在某些图像中部分标签缺失时使用 Dice 损失的缺陷，该框架整合多切面信息，并对因解剖异常导致的结构缺失具有鲁棒性，取得了 79% 的平均 Dice 分数。
引用
@article{arxiv.2103.12245,
title = {Multiview and Multiclass Image Segmentation using Deep Learning in Fetal Echocardiography},
author = {Ken C. L. Wong and Elena S. Sinkovskaya and Alfred Z. Abuhamad and Tanveer Syeda-Mahmood},
journal= {arXiv preprint arXiv:2103.12245},
year = {2021}
}
备注
This paper was accepted by SPIE Medical Imaging 2021