使用带迁移学习的注意力 U-Net 对 3D 超短回波时间 (UTE) 锥体 MR 成像进行膝关节半月板分割和弛豫测量
图像与视频处理
2019-08-06 v1 计算机视觉与模式识别
医学物理
摘要
本工作的目的是开发一种基于深度学习的方法，用于在 3D 超短回波时间 (UTE) 锥体磁共振 (MR) 成像中进行膝关节半月板分割，并自动确定 MR 弛豫时间，即 T1、T1ρ 和 T2* 参数，这些参数可用于评估膝关节骨关节炎 (OA)。使用 3D UTE 锥体序列对 61 名人类受试者进行了全膝关节成像。由两位经验丰富的放射科医生基于减影 T1ρ 加权 MR 图像勾画感兴趣区域 (ROIs)。应用迁移学习，分别基于每位放射科医生的 ROI 开发用于半月板分割的 2D 注意力 U-Net 卷积神经网络。计算 Dice 分数以评估分割性能。随后，确定手动和自动分割的 T1、T1ρ、T2* 弛豫时间以及 ROI 面积，并进行比较。使用两位放射科医生提供的 ROI 开发的模型取得了 0.860 和 0.833 的高 Dice 分数，而放射科医生的手动分割之间的 Dice 分数为 0.820。使用自动和手动分割计算的 T1、T1ρ 和 T2* 弛豫时间的线性相关系数范围在 0.90 到 0.97 之间，并且估计的平均半月板弛豫参数之间没有相关差异。深度学习模型实现了与两位放射科医生观察者间变异性相当的分割性能。所提出的基于深度学习的方法可用于高效生成自动分割并确定半月板弛豫时间。该方法有潜力帮助放射科医生评估半月板疾病，如 OA。
引用
@article{arxiv.1908.01594,
title = {Knee menisci segmentation and relaxometry of 3D ultrashort echo time (UTE) cones MR imaging using attention U-Net with transfer learning},
author = {Michal Byra and Mei Wu and Xiaodong Zhang and Hyungseok Jang and Ya-Jun Ma and Eric Y Chang and Sameer Shah and Jiang Du},
journal= {arXiv preprint arXiv:1908.01594},
year = {2019}
}
备注
30 pages, 7 figures