基于残差循环神经网络的区域室壁厚度直接估计
计算机视觉与模式识别
2017-05-30 v1
摘要
从心脏MR序列中准确估计左室(LV)心肌的区域室壁厚度(RWT)对心脏疾病的识别和诊断具有重要意义。现有的RWT估计仍依赖于LV心肌分割，需要强先验信息和用户交互。由于不同受试者和心脏疾病的形状和结构多样，以及心脏周期收缩和舒张阶段LV心肌的复杂区域形变，尚无工作致力于从心脏MR图像直接估计RWT。本文提出一种新的残差循环神经网络(ResRNN)，充分利用LV心肌的时空动态特性，实现准确的逐帧RWT估计。我们的ResRNN包含两条路径：1) 前馈卷积神经网络(CNN)用于各种心脏图像的有效鲁棒CNN嵌入学习，以及从每帧自身独立进行的RWT初步估计；2) 循环神经网络(RNN)通过对LV心肌时空动态建模进一步改进估计。对于RNN路径，我们为心脏序列设计了Circle-RNN，首次消除了首时间步空隐藏输入的影响。我们的ResRNN在145名受试者的心脏MR序列上验证时，能够获得心脏RWT的准确估计，平均绝对误差为1.44mm（小于1像素误差），证明了其在临床心功能评估中的巨大潜力。
引用
@article{arxiv.1705.09728,
title = {Direct Estimation of Regional Wall Thicknesses via Residual Recurrent Neural Network},
author = {Wufeng Xue and Ilanit Ben Nachum and Sachin Pandey and James Warrington and Stephanie Leung and Shuo Li},
journal= {arXiv preprint arXiv:1705.09728},
year = {2017}
}
备注
To appear as an oral paper in IPMI2017