基于自动形状先验配准的GridNet用于MRI心脏自动分割
计算机视觉与模式识别
2017-09-14 v2
摘要
本文提出一种全自动MRI心脏分割方法，基于为2017年ACDC MICCAI挑战赛设计的新型深度卷积神经网络（CNN）。我们网络的创新之处在于其内嵌的形状先验以及针对心脏解剖结构定制的损失函数。模型包含一个心脏质心回归模块，可实现自动形状先验配准。此外，由于我们的方法直接处理原始MR图像，无需任何手动预处理和/或图像裁剪，因此CNN既能学习高层特征（有助于将心脏与其他形状相似的器官区分开），也能学习低层特征（有助于获得精确的分割结果）。这些特征通过一种多分辨率卷积-反卷积“网格”架构进行学习，该架构可视为U-Net的扩展。实验结果表明，我们的方法可在0.4秒内从3D MRI心脏容积中分割出左心室、右心室以及心肌，平均Dice系数为0.90，平均Hausdorff距离为10.4 mm。
引用
@article{arxiv.1705.08943,
title = {GridNet with automatic shape prior registration for automatic MRI cardiac segmentation},
author = {Clement Zotti and Zhiming Luo and Alain Lalande and Olivier Humbert and Pierre-Marc Jodoin},
journal= {arXiv preprint arXiv:1705.08943},
year = {2017}
}
备注
8 pages, 1 tables, 2 figures