基于图割框架中多尺度 CNN 的心房瘢痕量化
计算机视觉与模式识别
2019-02-22 v1
摘要
晚期钆增强磁共振成像（LGE MRI）似乎是评估心房颤动（AF）患者瘢痕的一种有前景的替代方法。由于图像质量较低，心房瘢痕的量化与分析自动化具有挑战性。在本工作中，我们提出一种基于图割框架的全自动方法，其中图的势能通过在左心房（LA）表面网格上使用多尺度卷积神经网络（MS-CNN）学习得到。为验证，我们采用了五十八幅带手动勾画的图像。MS-CNN 能高效融合图像的局部与全局纹理信息，已被证明可显著提升所提基于图割方法的分割精度。当平衡图中 t-link 与 n-link 权重的贡献时，分割可进一步改善。所提方法对 LA 瘢痕量化取得 0.856 ± 0.033 的平均准确率和 0.702 ± 0.071 的平均 Dice 分数。与基于手动勾画 LA 进行初始化的传统方法相比，我们的方法全自动且表现出显著更优的 Dice 分数与准确率（p < 0.01）。该方法有前景，可用于 AF 的诊断与预后。
引用
@article{arxiv.1902.07877,
title = {Atrial Scar Quantification via Multi-scale CNN in the Graph-cuts Framework},
author = {Lei Li and Fuping Wu and Guang Yang and Lingchao Xu and Tom Wong and Raad Mohiaddin and David Firmin and Jennifer Keegan and Xiahai Zhuang},
journal= {arXiv preprint arXiv:1902.07877},
year = {2019}
}
备注
13 pages, 10 figures, submitted to Medical Image Analysis