基于解剖模型的经皮超声心动图生成
图像与视频处理
2024-10-10 v1 计算机视觉与模式识别
摘要
通过自动化，深度学习 (DL) 可提高经皮超声心动图 (TEE) 图像的分析效果。然而，DL 方法需要大量高质量数据才能获得准确结果，这在实际中难以满足。数据增强常用于解决此问题。本文中，我们开发了生成合成 TEE 图像及相应语义标签的管道。该提议的数据生成管道扩展了现有用于生成合成经皮超声心动图图像的管道，通过将解剖模型的切片转换为合成图像。我们还演示了这些图像可通过左心室语义分割任务提高 DL 网络性能。对于管道的无配对图像到图像 (I2I) 翻译部分，我们探索了两种生成方法：CycleGAN 和对比无配对翻译。接下来，我们使用遗留批次距离 (FID) 分数对合成图像进行量化评估，并通过包含专职心脏科医生和平均研究人员的人类感知测验进行定性评估。在本研究中，我们通过数据增强使用合成图像可实现最高达 10% 的 dice 分数提升。此外，我们比较了评估无配对 I2I 翻译的既定方法，并观察到在评估合成图像时存在分歧。最后，我们观察到哪种指标更能预测使用生成数据进行数据增强的有效性。
引用
@article{arxiv.2410.06781,
title = {Transesophageal Echocardiography Generation using Anatomical Models},
author = {Emmanuel Oladokun and Musa Abdulkareem and Jurica Šprem and Vicente Grau},
journal= {arXiv preprint arXiv:2410.06781},
year = {2024}
}
备注
MICCAI2023; DALI Workshop