Steerable Pyramid Transform Enables Robust Left Ventricle Quantification

要約

心臓指数の予測は、医療画像分野で長い間焦点となってきました。
さまざまな深層学習モデルは心臓指数の定量化に成功していることを実証していますが、空間変換、画像の歪み、敵対的攻撃などの軽度の入力摂動の影響を受けやすいままです。
この脆弱性により、心血管疾患の診断に学習ベースの自動システムを使用する際の信頼が損なわれます。
この研究では、空洞および心筋領域、方向寸法、および局所的な壁の厚さを含む、左心室（LV）定量化のための堅牢なモデルを学習するためのシンプルかつ効果的な方法について説明します。
私たちの成功は、固定フロントエンド処理に生物学にヒントを得たステアリング可能なピラミッド変換 (SPT) を採用することにかかっており、これには 3 つの主な利点があります。
まず、SPT の基底関数は、LV の解剖学的構造および測定された指標の幾何学的特徴と一致します。
第 2 に、SPT は、パラメータの正則化の形式として、さまざまな方向にわたる重みの共有を容易にし、LV のスケールの変動を自然に捕捉します。
第三に、残留ハイパスサブバンドを簡単に破棄できるため、堅牢な特徴学習が促進されます。
Cardiac-Dig ベンチマークに関する広範な実験により、当社の SPT 拡張モデルは、最先端の方法と比較して妥当な予測精度を達成するだけでなく、入力摂動に対するロバスト性が大幅に向上することも示されています。

要約(オリジナル)

Predicting cardiac indices has long been a focal point in the medical imaging community. While various deep learning models have demonstrated success in quantifying cardiac indices, they remain susceptible to mild input perturbations, e.g., spatial transformations, image distortions, and adversarial attacks. This vulnerability undermines confidence in using learning-based automated systems for diagnosing cardiovascular diseases. In this work, we describe a simple yet effective method to learn robust models for left ventricle (LV) quantification, encompassing cavity and myocardium areas, directional dimensions, and regional wall thicknesses. Our success hinges on employing the biologically inspired steerable pyramid transform (SPT) for fixed front-end processing, which offers three main benefits. First, the basis functions of SPT align with the anatomical structure of LV and the geometric features of the measured indices. Second, SPT facilitates weight sharing across different orientations as a form of parameter regularization and naturally captures the scale variations of LV. Third, the residual highpass subband can be conveniently discarded, promoting robust feature learning. Extensive experiments on the Cardiac-Dig benchmark show that our SPT-augmented model not only achieves reasonable prediction accuracy compared to state-of-the-art methods, but also exhibits significantly improved robustness against input perturbations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google