基于心脏磁共振成像的端到端诊断与分割学习
计算机视觉与模式识别
2018-10-25 v1
摘要
心脏磁共振（CMR）广泛用于心血管疾病的诊断与管理。深度学习方法已在 CMR 成像中证明可交付与人类专家相当的分割结果，但从 CMR 进行端到端分割与诊断的问题尚无令人信服的结果。这部分是由于缺乏训练鲁棒诊断模型所需的足够大的数据集。在本文中，我们提出一种训练诊断模型的学习方法，我们的方法设计用于相对较小的数据集。特别地，优化损失基于多任务学习，联合训练分割与诊断分类任务。我们假设分割对诊断相关特征的学习具有正则化作用。使用来自 Automated Cardiac Diagnosis Challenge（ACDC）数据集的 100 个训练样本和 50 个测试样本（其具有 5 种心脏诊断的平衡分布），我们观察到分类错误率从 32% 降低到 22%，且与无分割的基线相比收敛更快。据我们所知，这是使用端到端诊断与分割学习方法从 CMR 获得的最佳诊断结果。
引用
@article{arxiv.1810.10117,
title = {End-to-End Diagnosis and Segmentation Learning from Cardiac Magnetic Resonance Imaging},
author = {Gerard Snaauw and Dong Gong and Gabriel Maicas and Anton van den Hengel and Wiro J. Niessen and Johan Verjans and Gustavo Carneiro},
journal= {arXiv preprint arXiv:1810.10117},
year = {2018}
}
备注
submitted to 2019 IEEE International Symposium on Biomedical Imaging (ISBI)