steerable金字塔变换实现鲁棒左心室量化

预测心脏指标长期以来是医学影像领域的焦点。尽管多种深度学习模型在心脏指标量化上已展现成功，它们仍易受轻微输入扰动影响，如空间变换、图像失真和对抗攻击。该脆弱性削弱了人们对使用基于学习的自动化系统诊断心血管疾病的信心。本工作中，我们描述一种简单而有效的方法，以学习用于左心室（LV）量化的鲁棒模型，涵盖腔室与心肌面积、方向尺寸和局部室壁厚度。我们的成功关键在于采用受生物学启发的steerable金字塔变换（SPT）进行固定前端处理，其带来三大主要益处。首先，SPT的基函数与LV的解剖结构及所测指标的几何特征相对齐。其次，SPT作为一种参数正则化形式促进不同方向间的权值共享，并自然捕捉LV的尺度变化。第三，残差高通子带可便捷丢弃，从而促进鲁棒特征学习。在Cardiac-Dig基准上的大量实验表明，我们的SPT增强模型不仅相比最先进（state-of-the-art）方法取得合理预测精度，还展现出对输入扰动显著改善的鲁棒性。