基于 3D 卷积神经网络的体素 MRI 胎儿姿态估计
图像与视频处理
2019-07-11 v1 计算机视觉与模式识别
摘要
妊娠期间磁共振成像（MRI）的性能和诊断效用从根本上受胎儿运动限制。胎儿的运动在常规成像时间尺度上不可预测且迅速，将可行采集技术限制为单次激发成像，严重牺牲信噪比和诊断对比度，并经常导致不可接受的图像质量。关于 MRI 期间胎儿运动特征所知甚少，在此我们提出并演示了利用不断增长的孕腹 MRI 观察库的方法，这些观察以低空间分辨率但较高时间分辨率和长时长（10-30 分钟）采集。我们通过检测关键胎儿标志点的深度学习算法，逐帧估计孕妇腹部 MRI 体积中的胎儿姿态。对所提方法的评估表明，我们的框架在定量上达到 4.47 mm 的平均误差和 96.4% 的准确率（误差小于 10 mm）。MRI 时间序列中的胎儿姿态估计产生了量化健康与疾病状态下胎儿运动的新手段，并支持学习运动学模型，从而可能增强 MRI 采集期间对胎儿运动伪影的前瞻性缓解。
引用
@article{arxiv.1907.04500,
title = {Fetal Pose Estimation in Volumetric MRI using a 3D Convolution Neural Network},
author = {Junshen Xu and Molin Zhang and Esra Abaci Turk and Larry Zhang and Ellen Grant and Kui Ying and Polina Golland and Elfar Adalsteinsson},
journal= {arXiv preprint arXiv:1907.04500},
year = {2019}
}
备注
MICCAI 2019