基于深度学习算法的像素级心肌梗死区域直接检测
计算机视觉与模式识别
2017-06-13 v1
摘要
准确检测心肌梗死（MI）区域对于早期诊断规划和随访管理至关重要。在本研究中，我们提出了一种端到端深度学习算法框架（OF-RNN），以在像素级准确检测 MI 区域。我们的 OF-RNN 由三个不同的功能层组成：心脏定位层，利用整个心脏磁共振图像序列，能够准确且自动地裁剪包含左心室的感兴趣区域（ROI）序列；运动统计层，用于构建时间序列架构，通过整合由长短期记忆递归神经网络生成的局部运动特征和由整个 ROI 序列的深度光流生成的全局运动特征，来捕获（像素级）两类运动特征，从而有效表征心肌生理功能；全连接判别层，使用堆叠自编码器进一步学习这些特征，并使用 softmax 分类器为每个像素建立从运动特征到组织身份（是否梗死）的对应关系。通过各层的无缝连接，我们的 OF-RNN 能够获取每位患者 MI 的面积、位置和形状。我们提出的框架在 114 名临床受试者的像素级上获得了 94.35% 的总体分类准确率。这些结果表明了我们提出的方法在辅助标准化 MI 评估方面的潜力。
引用
@article{arxiv.1706.03182,
title = {Direct detection of pixel-level myocardial infarction areas via a deep-learning algorithm},
author = {Chenchu Xu and Lei Xu and Zhifan Gao and Shen zhao and Heye Zhang and Yanping Zhang and Xiuquan Du and Shu Zhao and Dhanjoo Ghista and Shuo Li},
journal= {arXiv preprint arXiv:1706.03182},
year = {2017}
}