JAS-GAN：基于生成对抗网络的不平衡心房目标联合心房与瘢痕分割
图像与视频处理
2021-05-04 v1 计算机视觉与模式识别
摘要
从晚期钆增强心脏磁共振（LGE CMR）图像中自动且准确地分割左心房（LA）和心房瘢痕，对于量化心房瘢痕具有很高需求。由于体积差异大（不平衡心房目标），先前的心房瘢痕量化依赖于对LA和心房瘢痕的两阶段分割。本文中，我们提出一种级联生成对抗网络，即JAS-GAN，以端到端方式从LGE CMR图像中自动且准确地分割不平衡心房目标。首先，JAS-GAN研究了一种自适应注意力级联，以自动关联不平衡心房目标的分割任务。该自适应注意力级联主要建模两个不平衡心房目标的包含关系，其中估计的LA作为注意力图自适应地粗略聚焦于小的心房瘢痕。然后，对不平衡心房目标的分割任务施加对抗正则化以实现一致优化。它主要迫使估计的LA与心房瘢痕的联合分布匹配真实分布。我们在包含192次扫描的3D LGE CMR数据集上评估了JAS-GAN的性能。与最先进方法相比，我们提出的方法取得了更好的分割性能（LA和心房瘢痕的平均Dice相似系数（DSC）值分别为0.946和0.821），表明我们所提方法对分割不平衡心房目标的有效性。
引用
@article{arxiv.2105.00234,
title = {JAS-GAN: Generative Adversarial Network Based Joint Atrium and Scar Segmentations on Unbalanced Atrial Targets},
author = {Jun Chen and Guang Yang and Habib Khan and Heye Zhang and Yanping Zhang and Shu Zhao and Raad Mohiaddin and Tom Wong and David Firmin and Jennifer Keegan},
journal= {arXiv preprint arXiv:2105.00234},
year = {2021}
}
备注
Accepted by IEEE Journal of Biomedical and Health Informatics