左心室功能与质量的自动量化：一种心血管 MRI 的深度学习方法
计算机视觉与模式识别
2018-12-17 v1
摘要
目的：本文提出一种利用卷积神经网络（CNN）进行左心室（LV）自动量化的新方法。方法：总体框架由一个用于检测左心室的 CNN 和另一个用于组织分类的 CNN 组成。此外，为左心室量化提出了三种新的深度学习架构。这些新 CNN 将稀疏性和深度可分离卷积的思想引入 U-net 架构，并采用了逐层残差学习策略。为此，我们扩展了经典 U-net 架构，并使用广义 Jaccard 距离作为优化目标函数。结果：使用 5 折交叉验证策略，在来自两个公共心血管磁共振数据集（Sunnybrook 和 Cardiac Atlas Project）的 140 名患者上对所提 CNN 进行训练和评估。我们的结果显示心肌分割具有合适的精度（0.9 Dice 系数），并与最相关的生理学指标强相关：舒张末期和收缩末期容积为 0.99，左心肌质量为 0.97，射血分数为 0.95，每搏输出量和心输出量为 0.93。结论：我们的仿真与临床评估结果证明了所提 CNN 估计不同结构与功能特征（如常用于多种疾病诊断和治疗的 LV 质量和 EF）的能力与优点。意义：本文提出了一种基于深度学习的左心室自动量化新方法，其误差与手动勾画的算子间和算子内范围相当。此外，该方法在运动量化方面可能具有重要应用。
引用
@article{arxiv.1812.06061,
title = {Automatic quantification of the LV function and mass: a deep learning approach for cardiovascular MRI},
author = {Ariel H. Curiale and Flavio D. Colavecchia and German Mato},
journal= {arXiv preprint arXiv:1812.06061},
year = {2018}
}
备注
Accepted in Computer Methods and Programs in Biomedicine. https://www.sciencedirect.com/science/article/pii/S0169260718311696?via%3Dihub