一种基于深度学习的超声心动图左心室分割新方法：MFP-Unet
图像与视频处理
2019-12-24 v2 计算机视觉与模式识别
医学物理
摘要
左心室（LV）的分割是面积、容积和射血分数等定量测量中的关键步骤。然而，由于边界模糊及操作者依赖性问题（可重复性不足），二维超声图像中的左心室自动分割是一项具有挑战性的任务。U-net 作为医学图像分割中著名的架构，通过编码器-解码器路径解决了该问题。尽管总体性能出色，U-net 忽略了所有语义强度在分割过程中的贡献。在本研究中，我们提出了一种新架构以克服这一缺陷。将 U-net 解码器路径各层级的特征图拼接，使其深度相等化，并上采样至固定维度。该特征图堆叠将作为语义分割层的输入。在使用相同数据集与 U-net、空洞 U-net 和 deeplabv3 的结果比较时，所提网络取得了最先进的成果。实现了平均 Dice 度量（DM）0.945、Hausdorff 距离（HD）1.62、Jaccard 系数（JC）0.97 和平均绝对距离（MAD）1.32。相关图、Bland-Altman 分析和箱线图显示自动与手动计算的体积、面积和长度之间具有高度一致性。
引用
@article{arxiv.1906.10486,
title = {A Novel Deep Learning Based Approach for Left Ventricle Segmentation in Echocardiography: MFP-Unet},
author = {Shakiba Moradi and Mostafa Ghelich-Oghli and Azin Alizadehasl and Isaac Shiri and Niki Oveisi and Mehrdad Oveisi and Majid Maleki and Jan Dhooge},
journal= {arXiv preprint arXiv:1906.10486},
year = {2019}
}
备注
32 Pages, 10 Figures, 5 Tables