基于半监督表观流运动表征的心脏电影 MRI 可解释病理分类
计算机视觉与模式识别
2019-03-29 v2 人工智能
机器学习
机器学习
摘要
我们提出一种基于新颖图像特征提取方法以表征心脏形状和运动的心脏病理分类方法。我们开发了一种原创的半监督学习流程，其高效利用大量未分割图像和少量由专家手动分割的图像，来生成 2D+t 电影 MRI 图像序列两个时间点之间的像素级表观流。结合表观流图和心脏分割掩膜，我们获得对应于心肌和心室腔 2D 运动的局部表观流。这导致生成心肌节段半径和厚度的时间序列以表示心脏运动。这些运动特征的时间序列是病理性心脏运动的可靠且可解释的特征。此外，它们与形状相关特征结合以分类心脏病理。仅使用九个特征值作为输入，我们提出了一个可解释、简单且灵活的病理分类模型。在 ACDC 训练集和测试集上，该模型分别达到 95% 和 94% 的分类准确率。因此其性能可与最先进水平相媲美。我们与多种其他模型进行比较以突出我们模型的一些优势。
引用
@article{arxiv.1811.03433,
title = {Explainable cardiac pathology classification on cine MRI with motion characterization by semi-supervised learning of apparent flow},
author = {Qiao Zheng and Hervé Delingette and Nicholas Ayache},
journal= {arXiv preprint arXiv:1811.03433},
year = {2019}
}