基于图割框架中势学习的左心房瘢痕分割
计算机视觉与模式识别
2018-10-23 v1
摘要
晚期钆增强磁共振成像（LGE MRI）已成为房颤（AF）患者的常规扫描。然而，由于图像质量较低，自动化量化与分析心房瘢痕具有挑战性。在本研究中，我们提出了一种基于图割框架的全自动方法，其中图的势通过在左心房（LA）表面网格上使用等距投影和深度神经网络（DNN）来学习。为进行验证，我们使用了 100 个带手动勾画的数据集。结果表明，所提方法的性能随训练块尺寸增大而提升并收敛，这些块提供了由 DNN 学习到的结构与纹理信息的重要特征。当 t-link 与 n-link 的贡献得到平衡时，由于 DNN 为图割算法学习到的相互关系，分割可进一步改善。与大多需手动勾画 LA 或 LA 壁的已发表方法相比，我们的方法全自动且以统计显著性展现出明显更优的结果。最后，以 Dice 分数评估的瘢痕量化准确度为 0.570。结果令人鼓舞，该方法可用于 AF 的诊断与预后。
引用
@article{arxiv.1810.09123,
title = {Atrial scars segmentation via potential learning in the graph-cuts framework},
author = {Lei Li and Fuping Wu and Guang Yang and Tom Wong and Raad Mohiaddin and David Firmin and Jenny Keegan and Lingchao Xu and Xiahai Zhuang},
journal= {arXiv preprint arXiv:1810.09123},
year = {2018}
}
备注
9 pages,4 figures,STACOM2018