用于多视角超声心动图序列分割的循环聚合学习
图像与视频处理
2019-07-29 v1 计算机视觉与模式识别
摘要
多视角超声心动图序列分割对临床诊断至关重要。然而，由于标注数据有限、噪声大以及视角间差异显著，该任务具有挑战性。本文提出一种循环聚合学习方法以应对这一挑战性任务。通过金字塔卷积块（ConvBlocks），高效提取多层级多尺度特征。随后由分层卷积长短期记忆网络（ConvLSTMs）融合这些特征，并在多层级多尺度空间中捕获时空信息。我们进一步引入一种用于分割与分类的双分支聚合机制，通过多层级多尺度特征的深度聚合实现二者相互促进。分割分支提供信息以引导分类，而分类分支提供多视角正则化以优化分割结果并进一步缩小视角间差异。我们的方法构建为一个用于分割与分类的端到端框架。在我们自己的多视角数据集（9000张标注图像）和CAMUS数据集（1800张标注图像）上充分的实验证实，我们的方法不仅取得了优越的分割与分类精度，还表现出显著的时间稳定性。
引用
@article{arxiv.1907.11292,
title = {Recurrent Aggregation Learning for Multi-View Echocardiographic Sequences Segmentation},
author = {Ming Li and Weiwei Zhang and Guang Yang and Chengjia Wang and Heye Zhang and Huafeng Liu and Wei Zheng and Shuo Li},
journal= {arXiv preprint arXiv:1907.11292},
year = {2019}
}
备注
MICCAI 2019