使用连续 3D U-Net 与轮廓损失从心脏图像中自动分割左心房
计算机视觉与模式识别
2018-12-07 v1
摘要
放射成像可提供对解剖结构的有效测量，有助于疾病诊断与评估。先前研究表明，左心房壁重构可提供预测心房颤动治疗结果的信息。然而，从医学图像中分割左心房结构仍非常耗时。神经网络的最新进展有助于建立自动分割模型，从而减轻临床医生的工作负担。在本初步研究中，我们提出用于左心房分割这一挑战性任务的、基于卷积神经网络的自动化两阶段三维 U-Net。与以往的二维图像分割方法不同，我们使用 3D U-Net 直接在三维中获取心腔。双 3D U-Net 结构包括：第一个 U-Net 用于粗略分割并定位左心房，第二个 U-Net 用于在更高分辨率下精确分割左心房。此外，我们引入基于额外距离信息的轮廓损失来调整最终分割。我们将数据随机划分为训练集（80 例）和验证集（20 例）以训练具有不同数据增强设置的多个模型。实验显示，验证集的平均 Dice 系数约为 0.91–0.92，灵敏度约 0.90–0.94，特异度 0.99。与传统的 Dice 损失相比，用轮廓损失训练的模型总体上在相似 Dice 系数下给出更小的豪斯多夫距离，且预测中连通分量更少。最后，我们在集成预测中整合多个训练模型以分割测试集。
引用
@article{arxiv.1812.02518,
title = {Automatically Segmenting the Left Atrium from Cardiac Images Using Successive 3D U-Nets and a Contour Loss},
author = {Shuman Jia and Antoine Despinasse and Zihao Wang and Hervé Delingette and Xavier Pennec and Pierre Jaïs and Hubert Cochet and Maxime Sermesant},
journal= {arXiv preprint arXiv:1812.02518},
year = {2018}
}