基于时间序列分割与领域特定特征的电影MRI心脏疾病自动评估
计算机视觉与模式识别
2018-04-06 v2
摘要
心脏磁共振成像通过提供高时空分辨率的图像改善了心血管疾病的诊断。然而，对这些时间序列的手动评估成本高昂且容易出现偏差和不可重复的结果。在本文中，我们提出了一种通过将分割与疾病分类集成到全自动处理流水线中来解决上述局限性的方法。我们使用受UNet启发的架构集成，用于在心动周期的每个时间实例上分割心脏结构，如左、右心室腔（LVC、RVC）和左心室心肌（LVM）。对于分类任务，从分割的时间序列中以综合特征的形式提取信息，这些特征经过手工设计以反映诊断性临床流程。基于这些特征，我们训练了重度正则化的多层感知机（MLP）集成和随机森林分类器来预测病理目标类别。我们在ACDC数据集（4个病理组，1个健康组）上评估了我们的方法，在训练集（100例）的交叉验证中获得了0.945（LVC）、0.908（RVC）和0.905（LVM）的Dice分数，在测试集（50例）上获得了0.950（LVC）、0.923（RVC）和0.911（LVM）的Dice分数。我们报告了训练集交叉验证分类准确率94%和测试集92%。我们的结果证实了机器学习方法在准确、快速和可重复分割以及计算机辅助诊断（CAD）方面的潜力。
引用
@article{arxiv.1707.00587,
title = {Automatic Cardiac Disease Assessment on cine-MRI via Time-Series Segmentation and Domain Specific Features},
author = {Fabian Isensee and Paul Jaeger and Peter M. Full and Ivo Wolf and Sandy Engelhardt and Klaus H. Maier-Hein},
journal= {arXiv preprint arXiv:1707.00587},
year = {2018}
}
备注
To appear in the STACOM 2017 proceedings