迈向鲁棒心脏分割：基于图卷积网络的方法
图像与视频处理
2024-10-28 v5 计算机视觉与模式识别
机器学习
摘要
全自动心脏分割可成为一种从超声心动图检查中提取临床测量的快速且可复现的方法。U-Net 架构是当前医学分割最先进的深度学习架构，并能以与观察者间变异性相当的平均误差实时分割心脏结构。然而，该架构仍会产生常具解剖学错误的大离群值。本工作利用图卷积神经网络的概念，其预测感兴趣结构的轮廓点而非标记每个像素。我们提出一种基于心脏解剖使用两个卷积环的图架构，并表明这在公开可用的 CAMUS 数据集上消除了解剖学不正确的多结构分割。此外，本工作贡献了对图卷积架构的消融研究以及对临床 HUNT4 数据集上临床测量的评估。最后，我们提出使用 U-Net 与图网络的模型间一致性作为输入与分割质量的预测器。我们展示该预测器可实时检测分布外及不合适的输入图像。源代码在线可用：https://github.com/gillesvntnu/GCN_multistructure
引用
@article{arxiv.2310.01210,
title = {Towards Robust Cardiac Segmentation using Graph Convolutional Networks},
author = {Gilles Van De Vyver and Sarina Thomas and Guy Ben-Yosef and Sindre Hellum Olaisen and Håvard Dalen and Lasse Løvstakken and Erik Smistad},
journal= {arXiv preprint arXiv:2310.01210},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication