用于分割晚期钆增强心脏磁共振成像的算法全球基准
计算机视觉与模式识别
2020-05-08 v3 机器学习
图像与视频处理
机器学习
摘要
心脏图像分割，尤其是广泛用于可视化病变心脏结构的晚期钆增强磁共振成像(LGE-MRI)的分割，是临床诊断与治疗的 crucial 第一步。然而，由于其对比度衰减，LGE-MRI 的直接分割具有挑战性。由于大多数临床研究依赖人工且劳动密集型的方法，自动方法备受关注，特别是优化的机器学习方法。为此，我们组织了“2018 左心房分割挑战赛”，使用了 154 例 3D LGE-MRI(目前全球最大的心脏 LGE-MRI 数据集)以及由三位医学专家分割的左心房标签，最终吸引了 27 支国际团队参与。本文通过子组分析和超参数分析，对提交的算法使用技术性和生物学指标进行了广泛分析，给出了卷积神经网络(CNNs)主要设计选择的总体图景以及实现最先进左心房分割的实用考量。结果显示，最优方法取得了 93.2% 的 dice 系数和 0.7 mm 的平均面到面距离，显著优于先前的最先进水平。特别地，我们的分析表明，双重顺序使用的 CNNs(第一个 CNN 用于自动感兴趣区域定位，随后的 CNN 用于精细区域分割)取得了远优于传统方法和含单个 CNN 的流程的结果。这项大规模基准研究朝着大幅改进心脏 LGE-MRI 分割方法迈出了重要一步，并将作为评估与比较该领域未来工作的重要基准。
引用
@article{arxiv.2004.12314,
title = {A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging},
author = {Zhaohan Xiong and Qing Xia and Zhiqiang Hu and Ning Huang and Cheng Bian and Yefeng Zheng and Sulaiman Vesal and Nishant Ravikumar and Andreas Maier and Xin Yang and Pheng-Ann Heng and Dong Ni and Caizi Li and Qianqian Tong and Weixin Si and Elodie Puybareau and Younes Khoudli and Thierry Geraud and Chen Chen and Wenjia Bai and Daniel Rueckert and Lingchao Xu and Xiahai Zhuang and Xinzhe Luo and Shuman Jia and Maxime Sermesant and Yashu Liu and Kuanquan Wang and Davide Borra and Alessandro Masci and Cristiana Corsi and Coen de Vente and Mitko Veta and Rashed Karim and Chandrakanth Jayachandran Preetha and Sandy Engelhardt and Menyun Qiao and Yuanyuan Wang and Qian Tao and Marta Nunez-Garcia and Oscar Camara and Nicolo Savioli and Pablo Lamata and Jichao Zhao},
journal= {arXiv preprint arXiv:2004.12314},
year = {2020}
}