基于深度学习在重建中检测与校正心脏MR运动伪影以实现高质量分割
图像与视频处理
2020-07-06 v4 计算机视觉与模式识别
机器学习
摘要
利用深度学习方法对医学图像中的解剖结构进行分割已在一系列应用中成功实现。然而，这一成功严重依赖于被分割图像的质量。医学图像分析领域常被忽视的一点是，大量临床图像因器官运动、患者移动和/或图像采集相关问题而存在严重图像伪影。本文讨论了图像运动伪影对心脏MR分割的影响，并比较了多种联合校正伪影与分割心腔的方法。该方法基于我们近期开发的联合伪影检测与重建方法，该方法利用联合损失函数从k空间重建高质量MR图像，并通过施加数据一致性项将伪影校正任务本质上转化为欠采样图像重建任务。本文提出将分割网络与该方法耦合于端到端框架中。我们的训练优化三项不同任务：1)图像伪影检测，2)伪影校正，3)图像分割。我们训练重建网络，利用合成损坏的心脏MR k空间数据和未校正的重建图像自动校正运动相关伪影。使用来自UK Biobank数据集的500个2D+时间电影MR采集的测试集，我们在合成运动伪影存在下实现了明显良好的图像质量和较高的分割精度。我们展示了相较多种图像校正架构更优的性能。
引用
@article{arxiv.1910.05370,
title = {Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation},
author = {Ilkay Oksuz and James R. Clough and Bram Ruijsink and Esther Puyol Anton and Aurelien Bustin and Gastao Cruz and Claudia Prieto and Andrew P. King and Julia A. Schnabel},
journal= {arXiv preprint arXiv:1910.05370},
year = {2020}
}
备注
Accepted for publication in IEEE TMI