具有强解剖学保证的心脏分割
计算机视觉与模式识别
2020-06-17 v1 机器学习
图像与视频处理
摘要
卷积神经网络(CNN)在医学影像尤其是医学图像分割中取得了前所未有的成功。然而,尽管分割结果比以往任何时候都更接近专家间差异,但即使建立在形状先验之上,CNN仍难免产生解剖学上不准确的分割。本文提出了一个框架,用于生成保证符合预定义解剖学标准、同时仍处在专家间差异范围内的心脏图像分割图。我们方法的核心思想是:使用一个训练良好的CNN处理心脏图像,识别解剖学上不合理的结果,并将这些结果形变至最接近的解剖学有效心脏形状。该形变过程由一个约束变分自编码器(cVAE)执行,该cVAE经过训练,通过平滑且受约束的潜空间学习有效心脏形状的表示。利用该cVAE,我们可以将任何不合理形状投影到心脏潜空间中,并引导其朝向最接近的正确形状。我们在短轴MRI以及心尖两腔和四腔切面超声图像上测试了我们的框架,这两种模态的心脏形状差异极大。借助我们的方法,CNN现在能够产生既在专家间差异范围内又始终解剖学合理的结果,而无需依赖形状先验。
引用
@article{arxiv.2006.08825,
title = {Cardiac Segmentation with Strong Anatomical Guarantees},
author = {Nathan Painchaud and Youssef Skandarani and Thierry Judge and Olivier Bernard and Alain Lalande and Pierre-Marc Jodoin},
journal= {arXiv preprint arXiv:2006.08825},
year = {2020}
}
备注
11 pages, accepted for publication in IEEE TMI