基于 k 空间数据增强与课程学习的 CNN 自动检测心脏 MR 运动伪影
计算机视觉与模式识别
2018-12-12 v2
摘要
医学图像的良好质量是后续图像分析流程成功的先决条件。因此医学图像质量评估是一项基本活动，而对于如 UK Biobank（UKBB）这样的大型人群研究，手动识别由意外运动引起的伪影等既枯燥又耗时。因此亟需自动图像质量评估技术。本文中，我们提出一种自动检测心脏磁共振（CMR）电影图像中运动相关伪影存在的方法。我们比较两种深度学习架构以分类低质量 CMR 图像：1）3D 时空卷积神经网络（3D-CNN），2）长时序循环卷积网络（LRCN）。尽管在真实临床环境中运动伪影常见，但 UKBB 的高质量成像由未必有健康问题的志愿者横断面人群数据构成，造成了高度不平衡的分类问题。由于高质量图像数量远多于带运动伪影图像，我们提出一种基于 k 空间中合成伪影生成的新型数据增强方案。我们还研究了一种基于合成伪影严重度的预定课程的学习方法。我们在由 3510 张 CMR 图像组成的 UK Biobank 数据集子集上评估我们的流程。LRCN 架构优于 3D-CNN 架构，并能以低于 1ms 的高召回率检测带运动伪影的 2D+时间短轴图像。我们将我们的方法与一系列最先进质量评估方法比较。新颖的数据增强与课程学习途径均提升了分类性能，取得 0.89 的总体 ROC 曲线下面积。
引用
@article{arxiv.1810.12185,
title = {Automatic CNN-based detection of cardiac MR motion artefacts using k-space data augmentation and curriculum learning},
author = {Ilkay Oksuz and Bram Ruijsink and Esther Puyol-Anton and James Clough and Gastao Cruz and Aurelien Bustin and Claudia Prieto and Rene Botnar and Daniel Rueckert and Julia A. Schnabel and Andrew P. King},
journal= {arXiv preprint arXiv:1810.12185},
year = {2018}
}
备注
Submitted to Medical Image Analysis