基于有监督域适应的自动化多序列心脏 MRI 分割
图像与视频处理
2020-02-14 v1 计算机视觉与模式识别
摘要
左心室分割与形态学评估对于改进诊断及我们对心肌病的理解至关重要，而这反过来对于降低患者心肌梗死风险是必要的。基于卷积神经网络（CNN）的心脏磁共振（CMR）图像分割方法依赖于带像素级标注的监督，并可能不能很好地泛化到来自不同域的图像。这些方法通常对成像协议和数据采集的变化敏感。由于标注多序列 CMR 图像繁琐且受观察者间与观察者内差异影响，开发能自动从一个域适应到目标域的方法具有很大意义。在本文中，我们提出一种利用结合多源图像信息的迁移学习在多序列 CMR 分割任务中进行域适应的方法。我们首先在带像素级标注的 T2 加权与平衡稳态自由进动（bSSFP）MR 图像上训练编码器-解码器 CNN，并用有限数量的晚期钆增强 MR（LGE-MR）受试者微调同一网络，以适配域特征。该域适应网络仅用 4 个 LGE-MR 训练样本训练，并在由 40 个 LGE-MR 受试者组成的测试集上获得约 85.0% 的平均 Dice 分数。所提方法显著优于在相同 LGE-MR 训练数据上从头训练的无适应网络。
引用
@article{arxiv.1908.07726,
title = {Automated Multi-sequence Cardiac MRI Segmentation Using Supervised Domain Adaptation},
author = {Sulaiman Vesal and Nishant Ravikumar and Andreas Maier},
journal= {arXiv preprint arXiv:1908.07726},
year = {2020}
}
备注
Accepted at STACOM-MICCAI 2019