用于三维心脏图像分割的深度条件形状模型
图像与视频处理
2023-10-18 v1 计算机视觉与模式识别
机器学习
摘要
解剖结构的勾画通常是许多医学图像分析流程的第一步。虽然卷积神经网络性能较高，但其未融入解剖形状信息。我们引入一种以深度条件形状模型（DCSM）为核心组件的新颖分割算法。该算法利用深度隐式形状表示，学习一个模态无关的形状模型，可为任意感兴趣解剖结构生成符号距离函数。为将生成形状拟合到图像，形状模型以可自动检测或由用户提供的解剖标志点为条件。最后，我们添加一个模态相关轻量细化网络以捕捉隐式函数未表示的精细细节。所提出的 DCSM 框架在多种三维模态（对比增强 CT、非对比 CT、三维超声-3DE）的心脏左心室（LV）分割问题上进行了评估。我们证明，自动 DCSM 在非对比 CT 上无需局部细化即优于基线，而在对比 CT 和 3DE 上结合细化后更优，尤其在 Hausdorff 距离上显著改善。半自动 DCSM 采用用户输入标志点，虽仅在对比 CT 上训练，但在所有模态上均达到大于 92% 的 Dice 系数。带细化的自动 DCSM 与半自动 DCSM 在这些模态上的表现均与用户间差异相当或更好。
引用
@article{arxiv.2310.10756,
title = {Deep Conditional Shape Models for 3D cardiac image segmentation},
author = {Athira J Jacob and Puneet Sharma and Daniel Ruckert},
journal= {arXiv preprint arXiv:2310.10756},
year = {2023}
}
备注
Accepted and presented as oral presentation at Statistical Atlases and Computational Modeling of the Heart (STACOM) workshop at MICCAI 2023