REASON：概率图引导的双分支融合框架用于胃内容评估
计算机视觉与模式识别
2025-11-04 v1
摘要
从超声图像中准确评估胃内容物对于在全麻诱导时对误吸风险进行分层至关重要。然而，传统方法依赖于手动描记胃窦和经验公式，在效率和准确性方面均面临显著限制。为应对这些挑战，提出了一种新颖的两阶段概率图引导的双分支融合框架(REASON)用于胃内容评估。在第一阶段，分割模型生成概率图，以抑制伪影并突出胃部解剖结构。在第二阶段，双分支分类器融合来自两个标准视图（右侧卧位和仰卧位）的信息，以改善学习特征的区分度。在自建数据集上的实验结果表明，所提出的框架显著优于当前最先进的方法。该框架为自动化的术前误吸风险评估展现了巨大潜力，为临床实践提供了更稳健、高效和准确的解决方案。
引用
@article{arxiv.2511.01302,
title = {REASON: Probability map-guided dual-branch fusion framework for gastric content assessment},
author = {Nu-Fnag Xiao and De-Xing Huang and Le-Tian Wang and Mei-Jiang Gui and Qi Fu and Xiao-Liang Xie and Shi-Qi Liu and Shuangyi Wang and Zeng-Guang Hou and Ying-Wei Wang and Xiao-Hu Zhou},
journal= {arXiv preprint arXiv:2511.01302},
year = {2025}
}
备注
Under Review. 12 pages, 10 figures, 6 tables