基于深度卷积网络从延迟增强心脏MRI自动评估心肌梗死
图像与视频处理
2020-11-02 v1 计算机视觉与模式识别
摘要
本文提出一种新的深度学习框架，用于从临床信息和延迟增强MRI（DE-MRI）自动评估心肌梗死。所提框架解决两项任务。第一项任务是自动分割短轴DE-MRI序列中的心肌轮廓、梗死区、无复流区及左室腔。其采用两个分割神经网络：第一个网络用于分割心肌和左室腔等解剖结构；第二个网络用于分割心肌梗死、心肌无复流及正常心肌区域等病理区域。第一个网络分割出的心肌区域进一步用于精炼第二个网络的病理分割结果。第二项任务是从带或不带DE-MRI的临床信息中自动将给定病例分类为正常或病理。采用级联支持向量机（SVM）从其相关临床信息对给定病例进行分类。DE-MRI分割出的病理区域也用于该分类任务。我们在2020 EMIDEC MICCAI挑战赛数据集上评估了该方法，左室腔与心肌的平均Dice指数分别为0.93和0.84。仅使用临床信息的分类在五折交叉验证下准确率为80%；使用DE-MRI时，本方法分类准确率达93.3%。这些实验结果表明所提方法可自动评估心肌梗死。
引用
@article{arxiv.2010.16198,
title = {Automatic Myocardial Infarction Evaluation from Delayed-Enhancement Cardiac MRI using Deep Convolutional Networks},
author = {Kibrom Berihu Girum and Youssef Skandarani and Raabid Hussain and Alexis Bozorg Grayeli and Gilles Créhange and Alain Lalande},
journal= {arXiv preprint arXiv:2010.16198},
year = {2020}
}