FastVentricle：基于ENet的心脏分割
计算机视觉与模式识别
2017-04-17 v1
摘要
心脏磁共振(CMR)成像常用于评估心脏结构和功能。CMR的一个缺点是对检查的后处理繁琐。若无自动化，通过CMR精确评估心功能通常要求标注者每例花费数十分钟手动勾勒心室结构轮廓。自动轮廓勾勒可通过生成可由标注者轻微修改的轮廓建议来降低每例患者所需时间。全卷积网络(FCNs)，一种卷积神经网络变体，已被用于快速推进自动化分割的最先进水平，这使得FCNs成为心室分割的自然选择。然而，FCNs受其计算成本限制，这增加了生产系统的货币成本并降低了用户体验。为克服此缺点，我们开发了FastVentricle架构，一种基于最近提出的ENet架构的用于心室分割的FCN架构。FastVentricle比先前最先进的心室分割架构快4倍且内存占用少6倍，同时仍保持优秀的临床精度。
引用
@article{arxiv.1704.04296,
title = {FastVentricle: Cardiac Segmentation with ENet},
author = {Jesse Lieman-Sifry and Matthieu Le and Felix Lau and Sean Sall and Daniel Golden},
journal= {arXiv preprint arXiv:1704.04296},
year = {2017}
}
备注
11 pages, 6 figures, Accepted to Functional Imaging and Modeling of the Heart (FIMH) 2017