基于全卷积网络的心血管磁共振图像自动分析
计算机视觉与模式识别
2018-05-23 v4
摘要
心血管磁共振（CMR）成像是评估心血管疾病（CVDs）的标准成像方式，CVDs 是全球头号死因。CMR 能够准确量化心腔容积、射血分数和心肌质量，为 CVDs 的诊断和监测提供信息。然而多年来，临床医生一直依赖手动方法进行 CMR 图像分析，这耗时且易产生主观误差。从 CMR 图像中自动提取定量且临床相关的信息是一项重大临床挑战。深度神经网络在各种任务的模式识别与分割中展现出巨大潜力。在此我们展示一种基于全卷积网络（FCN）的 CMR 图像自动分析方法。该网络在来自 UK Biobank 的大规模数据集上训练和评估，包含 4,875 名受试者和 93,500 张逐像素标注图像。方法性能已使用多项技术指标评估，包括 Dice 指标、平均轮廓距离和 Hausdorff 距离，以及临床相关指标，包括左心室（LV）舒张末期容积（LVEDV）和收缩末期容积（LVESV）、LV 质量（LVM）；右心室（RV）舒张末期容积（RVEDV）和收缩末期容积（RVESV）。通过结合 FCN 与大规模标注数据集，所提出的自动方法在短轴 CMR 图像上分割 LV 和 RV 以及长轴 CMR 图像上左心房（LA）和右心房（RA）达到了与人类专家相当的高性能。
引用
@article{arxiv.1710.09289,
title = {Automated cardiovascular magnetic resonance image analysis with fully convolutional networks},
author = {Wenjia Bai and Matthew Sinclair and Giacomo Tarroni and Ozan Oktay and Martin Rajchl and Ghislain Vaillant and Aaron M. Lee and Nay Aung and Elena Lukaschuk and Mihir M. Sanghvi and Filip Zemrak and Kenneth Fung and Jose Miguel Paiva and Valentina Carapella and Young Jin Kim and Hideaki Suzuki and Bernhard Kainz and Paul M. Matthews and Steffen E. Petersen and Stefan K. Piechnik and Stefan Neubauer and Ben Glocker and Daniel Rueckert},
journal= {arXiv preprint arXiv:1710.09289},
year = {2018}
}
备注
Accepted for publication by Journal of Cardiovascular Magnetic Resonance