基于形状精修多任务深度学习的心脏图像自动三维双心室分割
计算机视觉与模式识别
2019-07-16 v3 人工智能
摘要
深度学习方法已在心脏磁共振（CMR）图像分割中取得最先进性能。然而，多数方法聚焦于学习图像强度特征用于分割，而对解剖形状先验的引入关注较少。本文中，我们将多任务深度学习方法与图谱传播结合，开发了一种针对短轴 CMR 体积图像的形状约束双心室分割流程。该流程首先采用一个全卷积网络（FCN）同时学习分割与地标定位任务。所提 FCN 的架构使用 2.5D 表示，从而结合了 2D FCN 的计算优势与处理 3D 空间一致性的能力且不牺牲分割精度。此外，精修步骤旨在显式施加形状约束并改善分割质量。该步骤可有效克服图像伪影（如因不同屏气位置与大层厚所致），这些伪影妨碍了解剖学有意义的 3D 心脏形状的构建。所提流程因网络能推断地标而完全自动化，这些地标随后在流程下游用于初始化图谱传播。我们在 1831 名健康受试者与 649 名肺动脉高压受试者上验证了该流程。在两数据集上的大量数值实验表明，尽管输入 CMR 体积存在伪影，我们所提方法鲁棒且能生成准确、高分辨率且解剖学平滑的双心室 3D 模型。
引用
@article{arxiv.1808.08578,
title = {Automatic 3D bi-ventricular segmentation of cardiac images by a shape-refined multi-task deep learning approach},
author = {Jinming Duan and Ghalib Bello and Jo Schlemper and Wenjia Bai and Timothy J W Dawes and Carlo Biffi and Antonio de Marvao and Georgia Doumou and Declan P O'Regan and Daniel Rueckert},
journal= {arXiv preprint arXiv:1808.08578},
year = {2019}
}