基于深度卷积编解码器的肩部肌肉 MRI 分割中健康与病理学习的可迁移性
计算机视觉与模式识别
2020-04-28 v3
摘要
对患有肌肉骨骼疾病的患者的病理性肩部肌肉进行自动分割是一项具有挑战性的任务，原因在于肌肉形状、大小、位置、纹理与损伤的巨大变异性。一种来自磁共振图像的可靠全自动化分割方法，可极大帮助临床医生规划治疗干预并预测干预结果，同时消除耗时的手动分割工作。本工作的目的有三方面。首先，在可用标注儿科数据极为有限的情况下，我们探究使用深度学习技术进行病理性肩部肌肉分割的可行性。其次，我们通过比较不同学习方案在模型泛化性方面的表现，探讨从健康数据到病理数据的学习可迁移性。第三，提出使用在非医学数据上预训练的编码器的深度卷积编解码器扩展架构，以提升分割精度。方法学方面以留一法在 24 例产伤性臂丛神经麻痹患者的肩部检查数据集上评估，聚焦于 4 块不同肌肉，包括三角肌以及 rotator cuff 中的冈下肌、冈上肌和肩胛下肌。最相关的分割模型在 ImageNet 上部分预训练，并联合利用患者间的健康与病理标注数据。其对三角肌、冈下肌、冈上肌和肩胛下肌的 Dice 分数分别达到 82.4%、82.0%、71.0% 和 82.8%。绝对表面积估计误差均低于 83mm，仅冈上肌为 134.6mm。这些贡献为肌肉骨骼疾病管理中的力推断提供了新视角。
引用
@article{arxiv.1901.01620,
title = {Healthy versus pathological learning transferability in shoulder muscle MRI segmentation using deep convolutional encoder-decoders},
author = {Pierre-Henri Conze and Sylvain Brochard and Valérie Burdin and Frances T. Sheehan and Christelle Pons},
journal= {arXiv preprint arXiv:1901.01620},
year = {2020}
}