DeepRecon：通过结构特定的生成方法实现联合 2D 心脏分割与 3D 体素重建
计算机视觉与模式识别
2022-06-16 v1 机器学习
图像与视频处理
摘要
联合 2D 心脏分割与 3D 体素重建是构建统计心脏解剖模型以及从运动模式理解功能机制的基础。然而，由于电影 MR 的平面间分辨率低以及受试者间差异大，准确分割心脏图像并重建 3D 体素具有挑战性。在本研究中，我们提出了一种基于潜空间的端到端框架 DeepRecon，其生成多种临床关键结果，包括准确图像分割、合成高分辨率 3D 图像以及 3D 重建体素。我们的方法识别出电影图像的最优潜表示，其包含心脏结构的准确语义信息。特别地，我们的模型利用该最优潜表示联合生成带有准确语义信息的合成图像与心脏结构分割。我们进一步通过不同的潜空间操控策略探索了 3D 形状重建与 4D 运动模式适配的下游应用。同时生成的高分辨率图像对评估心脏形状与运动具有高度可解释价值。实验结果在包括 2D 分割、3D 重建、下游 4D 运动模式适配性能在内的多个方面证明了我们方法的有效性。
引用
@article{arxiv.2206.07163,
title = {DeepRecon: Joint 2D Cardiac Segmentation and 3D Volume Reconstruction via A Structure-Specific Generative Method},
author = {Qi Chang and Zhennan Yan and Mu Zhou and Di Liu and Khalid Sawalha and Meng Ye and Qilong Zhangli and Mikael Kanski and Subhi Al Aref and Leon Axel and Dimitris Metaxas},
journal= {arXiv preprint arXiv:2206.07163},
year = {2022}
}
备注
MICCAI2022