基于计算断层扫描的心脏脂肪分割——图像到图像条件生成对抗网络
计算机视觉与模式识别
2026-05-20 v1
摘要
近年来，研究强调了人类心脏周围脂肪组织与心血管疾病如心房颤动和冠状动脉疾病的升高易感性之间的关联。然而，由于对医务人员工作量大且成本高昂，这些脂肪沉积的手动分割在临床实践中并未广泛实施。因此，对更精确和高效的定量分析的需求推动了新型计算方法的出现。本研究提出了一种基于深度学习的新方法，提供了两种不同类型心脏脂肪沉积的自动分割与定量分析。该方法利用 pix2pix 网络，这是一种主要为图像到图像翻译任务设计的生成式条件对抗网络。通过应用该网络架构，我们旨在探讨其在应对特定心脏脂肪分割挑战中的有效性，尽管其最初并非为此目的而设计。本研究关注的两种脂肪沉积类型分别称为心脏外脂肪和胸腔脂肪，这两种脂肪沉积被心包膜的肌层分隔开来。实验结果显示，心脏外脂肪分割的平均准确率为 99.08%，F1 分数 98.73；胸腔脂肪分割的准确率为 97.90%，F1 分数 98.40。这些结果体现了所提出方法实现的高精度和重合一致性。在与现有研究的比较中，我们的方法在 F1 分数和运行时间方面表现出优势，使图像能够实现实时分割。
引用
@article{arxiv.2605.20064,
title = {Cardiac fat segmentation using computed tomography and an image-to-image conditional generative adversarial neural network},
author = {Guilherme Santos da Silva and Dalcimar Casanova and Jefferson Tales Oliva and Erick Oliveira Rodrigues},
journal= {arXiv preprint arXiv:2605.20064},
year = {2026}
}