基于空间编码与形状注意力深度神经网络的左心房分割与瘢痕量化联合方法
图像与视频处理
2020-06-24 v1 计算机视觉与模式识别
摘要
我们提出了一种端到端深度神经网络（DNN），可同时分割左心房（LA）腔并量化LA瘢痕。该框架通过引入基于距离变换图的空间编码（SE）损失，融入目标的连续空间信息。与传统的基于二值标签的损失相比，所提出的SE损失可减少深度学习方法中常见的分割结果中的噪声块。为充分利用LA与LA瘢痕之间的固有空间关系，我们进一步通过显式表面投影提出一种形状注意力（SA）机制，以构建端到端可训练模型。具体而言，SA方案被嵌入到一个双任务网络中，以执行LA分割与瘢痕量化的联合任务。此外，所提方法可缓解在检测如瘢痕这类微小且离散目标时的严重类不平衡问题。我们在来自MICCAI2018 LA挑战赛的60例LGE MRI数据上评估了所提框架。对于LA分割，与采用二值交叉熵损失的3D基础U-Net相比，所提方法将平均Hausdorff距离从36.4 mm降至20.0 mm。对于瘢痕量化，该方法与文献中报道的结果或算法进行比较，并展现出更优性能。
引用
@article{arxiv.2006.13011,
title = {Joint Left Atrial Segmentation and Scar Quantification Based on a DNN with Spatial Encoding and Shape Attention},
author = {Lei Li and Xin Weng and Julia A. Schnabel and Xiahai Zhuang},
journal= {arXiv preprint arXiv:2006.13011},
year = {2020}
}
备注
10 pages