基于深度学习并利用解剖先验的黑血 MRI 颈动脉血管壁分割
图像与视频处理
2021-12-03 v1 计算机视觉与模式识别
机器学习
摘要
颈动脉血管壁厚度测量是动脉粥样硬化患者监测中的重要步骤。这需要在黑血磁共振（MR）图像中对血管壁（即动脉管腔与外壁之间的区域）进行准确分割。常用于语义分割的卷积神经网络（CNN）对该任务并非最优，因为其使用无法保证连续环形的分割。相反，本工作中我们将血管壁分割构建为极坐标系下的多任务回归问题。对于每幅轴向图像切片中的每个颈动脉，我们旨在同时找到两条不相交的嵌套轮廓，二者共同勾画血管壁。应用于该问题的 CNN 实现了一种归纳偏置，可保证环形的血管壁。此外，我们确定了显著影响分割性能的针对问题的训练数据增强技术。我们将该方法应用于颈内与颈外动脉壁的分割，并在一项公开挑战赛中取得排名靠前的定量结果，即血管壁的中位 Dice 相似系数 0.813，管腔与外壁的中位 Hausdorff 距离分别为 0.552 mm 与 0.776 mm。此外，我们展示了该方法相对常规语义分割方法的改进。这些结果表明，以高精度自动获取解剖合理的颈动脉壁分割是可行的。
引用
@article{arxiv.2112.01137,
title = {Deep Learning-Based Carotid Artery Vessel Wall Segmentation in Black-Blood MRI Using Anatomical Priors},
author = {Dieuwertje Alblas and Christoph Brune and Jelmer M. Wolterink},
journal= {arXiv preprint arXiv:2112.01137},
year = {2021}
}
备注
SPIE Medical Imaging 2022