基于解剖学信息的深度学习在对比增强心脏 MRI 瘢痕分割与临床特征提取中的应用
图像与视频处理
2021-01-12 v2 计算机视觉与模式识别
摘要
在对比增强（LGE）的心脏磁共振（CMR）成像上可视化疾病诱发的心脏瘢痕与纤维化，对于表征疾病进展和量化心律失常的病理生理基质至关重要。然而，从 LGE-CMR 中进行分割及瘢痕/纤维化识别是一个密集的手动过程，且容易出现较大的观察者间差异。在此，我们提出一种新颖的全自动解剖学信息深度学习方案，用于从 LGE-CMR 中进行左心室（LV）与瘢痕/纤维化分割及临床特征提取。该技术包含三个级联的卷积神经网络，从原始 LGE-CMR 图像中分割心肌与瘢痕/纤维化，并将这些分割约束于解剖学准则之内，从而便于无缝推导具有临床意义的参数。除可用的 LGE-CMR 图像外，训练还使用了“类 LGE”的合成增强电影扫描。结果显示在分割（LV 与瘢痕分割的平衡准确率分别为 和 ）、临床特征（平均瘢痕占 LV 壁体积分数差异为 ）以及解剖保真度方面与训练有素的专家具有极高的一致性。我们的分割技术可扩展至其他计算机视觉医学应用以及需要预测输出遵循准则的问题。
引用
@article{arxiv.2010.11081,
title = {Anatomically-Informed Deep Learning on Contrast-Enhanced Cardiac MRI for Scar Segmentation and Clinical Feature Extraction},
author = {Haley G. Abramson and Dan M. Popescu and Rebecca Yu and Changxin Lai and Julie K. Shade and Katherine C. Wu and Mauro Maggioni and Natalia A. Trayanova},
journal= {arXiv preprint arXiv:2010.11081},
year = {2021}
}
备注
Haley G. Abramson and Dan M. Popescu contributed equally to this work