Light-weight spatio-temporal graphs for segmentation and ejection fraction prediction in cardiac ultrasound

要約

心臓血管の診断と治療には，心エコー法のパラメータを正確かつ一貫して予測することが重要である．特に、左心室のセグメンテーションは、心室容積、駆出率（EF）、その他の関連する測定値を導き出すために使用することができる。本論文では、駆出率を予測し、解剖学的キーポイントを検出することによって左心室をセグメンテーションするためのEchoGraphsと呼ばれる新しい自動化された方法を提案する。キーポイントの検出には、グラフ畳み込みネットワーク（GCN）に基づく直接座標回帰のためのモデルを用いる。GCNは、各キーポイントの局所的な外観と、すべてのキーポイントを組み合わせた大域的な空間・時間構造に基づいて、心臓の形状を表現することを学習することができる。我々は、EchoGraphsモデルをEchoNetベンチマークデータセットで評価した。セマンティックセグメンテーションと比較して、GCNは正確なセグメンテーションと、頑健性と推論の実行時間の改善を示しています。また、EFはセグメンテーションと同時に計算され、我々の方法は最先端の駆出率推定を得ることができます。ソースコードはオンラインで公開されています: https://github.com/guybenyosef/EchoGraphs.

要約(オリジナル)

Accurate and consistent predictions of echocardiography parameters are important for cardiovascular diagnosis and treatment. In particular, segmentations of the left ventricle can be used to derive ventricular volume, ejection fraction (EF) and other relevant measurements. In this paper we propose a new automated method called EchoGraphs for predicting ejection fraction and segmenting the left ventricle by detecting anatomical keypoints. Models for direct coordinate regression based on Graph Convolutional Networks (GCNs) are used to detect the keypoints. GCNs can learn to represent the cardiac shape based on local appearance of each keypoint, as well as global spatial and temporal structures of all keypoints combined. We evaluate our EchoGraphs model on the EchoNet benchmark dataset. Compared to semantic segmentation, GCNs show accurate segmentation and improvements in robustness and inference runtime. EF is computed simultaneously to segmentations and our method also obtains state-of-the-art ejection fraction estimation. Source code is available online: https://github.com/guybenyosef/EchoGraphs.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL