用于超声成像的带注意力机制的物理驱动领域特定转运框架
图像与视频处理
2021-09-15 v1 计算机视觉与模式识别
机器学习
摘要
深度学习技术在医学影像中的多数应用为有监督的，且需要大量标注数据，这类数据成本高昂并需专家耗费大量时间仔细标注。在本文中，我们提出一种无监督的、物理驱动的带注意力机制的领域特定转运框架，用于识别相关关键点，并应用于超声成像。所提框架识别出的关键点提供了一种简洁的几何表示，突出超声视频中结构变化较大的区域。我们将物理驱动的领域特定信息作为特征概率图，并使用 Radon 变换来突出特定方向上的特征。所提框架已在来自全球多个中心的 130 段肺部超声（LUS）视频和 113 段腕部超声（WUS）视频上训练，并在 100 段肺部超声（LUS）视频和 58 段腕部超声（WUS）视频上验证。两个数据集的图像均由专家独立评估，以识别临床相关特征：LUS 中的 A 线、B 线和胸膜，以及 WUS 视频中的桡骨骨骺、桡骨端和腕骨。从两个数据集中检测出的关键点在检测专家所标识的图像标志点上表现出高灵敏度（LUS = 99%，WUS = 74%）。此外，在用于将给定的肺部图像分类为正常与异常类别时，所提方法即便未经先验训练，在 3 折交叉验证的协同分类任务上分别取得了 97% 的平均准确率和 95% 的平均 F1 分数。鉴于所提方法的纯无监督性质，我们期望该关键点检测方法能提升超声在急诊与即时照护中各类检查里的适用性。
引用
@article{arxiv.2109.06346,
title = {Physics Driven Domain Specific Transporter Framework with Attention Mechanism for Ultrasound Imaging},
author = {Arpan Tripathi and Abhilash Rakkunedeth and Mahesh Raveendranatha Panicker and Jack Zhang and Naveenjyote Boora and Jessica Knight and Jacob Jaremko and Yale Tung Chen and Kiran Vishnu Narayan and Kesavadas C},
journal= {arXiv preprint arXiv:2109.06346},
year = {2021}
}
备注
11 pages,18 figures(including supplementary material)