神经网络中膨胀卷积用于三维钆增强 MRI 左心房分割
计算机视觉与模式识别
2019-12-04 v1
摘要
左心房腔的分割及其形态学评估，对于增进我们对心房颤动（最常见的心律失常类型）的理解至关重要。在三维钆增强 MRI（GE-MRI）数据中实现该过程的自动化是理想的，因为手动勾画耗时、困难且依赖于观察者。近来，深度卷积神经网络（CNNs）获得了极大关注，并在医学图像分割中取得了最先进的结果。然而，在不使用收缩（池化）层的情况下很难融合局部与全局信息，而这又会降低对小结构的分割精度。在本文中，我们提出了一种用于 LGE-MRI 中左心房腔体分割的三维 CNN。我们的网络基于著名的 U-Net 架构。我们采用三维全卷积网络，在网络最底层使用膨胀卷积，并在编码器块之间使用残差连接以融合局部与全局知识。结果表明，通过使用膨胀卷积引入全局上下文有助于域适应，且整体分割精度较三维 U-Net 有所提升。
引用
@article{arxiv.1808.01673,
title = {Dilated Convolutions in Neural Networks for Left Atrial Segmentation in 3D Gadolinium Enhanced-MRI},
author = {Sulaiman Vesal and Nishant Ravikumar and Andreas Maier},
journal= {arXiv preprint arXiv:1808.01673},
year = {2019}
}
备注
Accepted in SATCOM-MICCAI 2018 Workshop