从 k 空间直接进行心脏 MRI 中的分类、回归与分割
图像与视频处理
2024-07-30 v1 人工智能
计算机视觉与模式识别
摘要
心脏磁共振成像(CMR)是诊断心血管疾病的金标准。临床诊断主要依赖于仅包含幅度信息的数字医学图像(DICOM),忽略了可能提供额外诊断价值的相位信息。相反,k 空间数据是复数形式的,包含幅度和相位信息,而人类无法直接感知。在本工作中,我们提出了KMAE,这是一种专为处理k空间数据而设计的Transformer模型,消除传统的图像域中间转换步骤。KMAE可以处理关键心脏疾病分类、相关表型回归以及心脏形态分割任务。我们利用该模型探讨了k空间基于诊断在心脏MRI中的潜力。值得注意的是,该模型在分类和回归性能上与图像域方法(如Masked Autoencoder)相当,并实现了0.884的心肌Dice分割得分。最后,我们的模型即使在k空间8倍下采样后也表现出稳健的性能。我们鼓励MR社区探索k空间的未开发潜力,并 pursue 以减少人工干预实现端到端自动诊断。
关键词
引用
@article{arxiv.2407.20108,
title = {Classification, Regression and Segmentation directly from k-Space in Cardiac MRI},
author = {Ruochen Li and Jiazhen Pan and Youxiang Zhu and Juncheng Ni and Daniel Rueckert},
journal= {arXiv preprint arXiv:2407.20108},
year = {2024}
}