CondenseUNet：一种用于双心室血池与心肌分割的内存高效密集连接架构
图像与视频处理
2020-04-07 v1 计算机视觉与模式识别
机器学习
摘要
随着心脏电影磁共振（CMR）成像的出现，由于其对心脏内不同结构无电离辐射成像的能力，医学技术发生了范式转变。然而，若无对左心室（LV）、右心室（RV）血池和LV心肌的准确分割与识别，微创心脏手术的术前规划极具挑战。尽管如此，这些结构的手动分割耗时且易出错并导致偏倚结果。因此，自动且计算高效的分割技术至关重要。本工作中，我们提出一种新颖的内存高效卷积神经网络（CNN）架构，作为CondenseNet与DenseNet的改进，通过引入瓶颈块与上采样路径用于心室血池分割。我们的实验表明，所提架构在Automated Cardiac Diagnosis Challenge（ACDC）数据集上运行，仅使用DenseNet一半（50%）的内存需求和U-Net约十二分之一（~8%）的内存需求，同时仍保持优异的心脏分割精度。我们在ACDC数据集上验证了该框架，该数据集包含一健康组与四病理组，其心脏图像于整个心动周期采集，并取得平均Dice分数：96.78%（LV血池）、93.46%（RV血池）与90.1%（LV心肌）。这些结果令人鼓舞，并推动所提方法成为一种具竞争力的心脏图像分割与临床参数估计工具，有望提供快速准确的结果，以满足术前规划及/或术前应用之需。
引用
@article{arxiv.2004.02249,
title = {CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for Bi-ventricular Blood Pool and Myocardium Segmentation},
author = {S. M. Kamrul Hasan and Cristian A. Linte},
journal= {arXiv preprint arXiv:2004.02249},
year = {2020}
}
备注
7 pages, 3 figures