用于心脏MR图像分割的2D与3D深度学习技术探索
计算机视觉与模式识别
2017-10-11 v2
摘要
心脏精确分割是评估心功能的重要步骤。在本文中，我们提出了一个全自动框架，用于在短轴心脏 MR 图像上分割左室(LV)和右室(RV)腔室以及心肌(Myo)。我们研究了各种 2D 和 3D 卷积神经网络架构用于该任务。我们研究了各种最先进的 2D 和 3D 卷积神经网络架构及其轻微修改版本的适用性。实验在 ACDC 2017 挑战赛训练数据集上进行，该数据集包含 100 名患者的心脏 MR 图像，其中手动参考分割在舒张末期(ED)和收缩末期(ES)帧可用。我们发现由于相对较大的切片厚度，以逐切片方式使用 2D 网络处理图像是有益的。然而，确切的网络架构仅起次要作用。我们报告了平均 Dice 系数分别为 (LV)、 (RV) 和 (Myo)，在现代 GPU 上每个体积的平均评估时间为 1.1 秒。
引用
@article{arxiv.1709.04496,
title = {An Exploration of 2D and 3D Deep Learning Techniques for Cardiac MR Image Segmentation},
author = {Christian F. Baumgartner and Lisa M. Koch and Marc Pollefeys and Ender Konukoglu},
journal= {arXiv preprint arXiv:1709.04496},
year = {2017}
}
备注
to appear in STACOM 2017 proceedings