用于心脏分割与基于分类器集成的自动心脏诊断的全卷积多尺度残差密集网络
计算机视觉与模式识别
2018-01-17 v1
摘要
基于深度全卷积神经网络 (FCN) 的架构在医学图像分割中展现出巨大潜力。然而，此类架构通常具有数百万参数且训练样本不足，导致过拟合与泛化能力差。本文提出一种新颖的、参数与内存高效的全卷积神经网络架构用于医学图像分析。我们提出一种新颖的上采样路径，其引入长跳跃与短连接以克服类 FCN 架构中的特征图爆炸问题。为同时以多尺度与多视角处理输入图像，我们提出引入 Inception 模块的并行结构。我们还提出一种新颖的双重损失函数，其加权方案可结合交叉熵与 dice 损失的优势。我们在两个公开数据集上验证了所提网络架构，即：(i) 自动心脏疾病诊断挑战赛 (ACDC-2017)，(ii) 左心室分割挑战赛 (LV-2011)。我们的方法在 ACDC-2017 挑战赛的分割任务中排名第二，在自动心脏疾病诊断任务中以 100% 准确率排名第一。在 LV-2011 挑战赛中，我们的方法取得了 0.74 的 Jaccard 指数，这是迄今全自动算法中所发表的最高结果。由分割结果我们提取了临床相关的心脏参数与手工特征，这些反映了临床诊断分析，用以训练用于心脏疾病分类的集成系统。我们的方法将心脏分割与疾病诊断结合为一个计算高效的 fully automated 框架，因而有潜力被纳入计算机辅助诊断 (CAD) 工具用于临床应用。
引用
@article{arxiv.1801.05173,
title = {Fully Convolutional Multi-scale Residual DenseNets for Cardiac Segmentation and Automated Cardiac Diagnosis using Ensemble of Classifiers},
author = {Mahendra Khened and Varghese Alex Kollerathu and Ganapathy Krishnamurthi},
journal= {arXiv preprint arXiv:1801.05173},
year = {2018}
}
备注
59 Pages, 21 figures