结合深度学习与可变形模型的心脏MRI左心室全自动分割方法
计算机视觉与模式识别
2015-12-29 v1
摘要
从心脏磁共振成像（MRI）数据集分割左心室（LV）是计算临床指标（如心室容积和射血分数）的基本步骤。本工作采用深度学习算法结合可变形模型，开发和评估一种从短轴心脏MRI数据集全自动分割LV的工具。该方法采用深度学习算法从真值数据学习分割任务。卷积网络用于自动检测MRI数据集中的LV腔。堆叠自编码器用于推断LV形状。推断出的形状被纳入可变形模型以提高分割的准确性和鲁棒性。我们使用取自MICCAI 2009 LV分割挑战的45个心脏MR数据集验证我们的方法，表明其优于最先进方法。与真值高度一致。验证指标——良好轮廓百分比、Dice度量、平均垂直距离和一致性——分别计算为96.69%、0.94、1.81 mm和0.86，而其他方法相应为79.2%–95.62%、0.87–0.9、1.76–2.97 mm和0.67–0.78。
引用
@article{arxiv.1512.07951,
title = {A Combined Deep-Learning and Deformable-Model Approach to Fully Automatic Segmentation of the Left Ventricle in Cardiac MRI},
author = {M. R. Avendi and A. Kheradvar and H. Jafarkhani},
journal= {arXiv preprint arXiv:1512.07951},
year = {2015}
}
备注
to appear in Medical Image Analysis