基于SEGANet的左心房射血分数估计与CINE MRI全自动分割
图像与视频处理
2020-09-01 v1
摘要
心房颤动(AF)是最常见的持续性心律失常，其特征是心房快速而不规则的电激活。AF的治疗方法往往效果不佳，且鲜有能够自动表征心房功能并辅助AF治疗选择的心房生物标志物。左心房(LA)功能的临床指标，如射血分数(EF)和主动心房收缩射血分数(aEF)，具有应用前景，但迄今为止通常依赖于从单切片图像外推得到的体积估计。在本工作中，我们研究LA的体积功能生物标志物，使用基于卷积神经网络(SEGANet)的左心房全自动分割(SEGmentation of the left Atrium based on a convolutional neural Network)。SEGANet采用专门的数据增强方案，在全心脏覆盖的短轴动态(CINE)磁共振图像(MRI)中对所有心动时相的LA进行分割。利用自动分割结果，我们绘制了LA的体积-时间曲线，并自动估计LA EF和aEF。所提方法获得了高质量的分割结果，与手动分割对比良好(Dice分数[]、中位轮廓距离[] mm和Hausdorff距离[] mm)。LA EF和aEF也与文献值一致，且在AF患者中显著高于健康志愿者。我们的工作开启了从多切片CINE MRI自动估计LA体积和功能生物标志物的可能性，克服了当前单切片方法的局限，并改善了AF患者心房功能的表征。
引用
@article{arxiv.2008.13718,
title = {Left atrial ejection fraction estimation using SEGANet for fully automated segmentation of CINE MRI},
author = {Ana Lourenço and Eric Kerfoot and Connor Dibblin and Ebraham Alskaf and Mustafa Anjari and Anil A Bharath and Andrew P King and Henry Chubb and Teresa M Correia and Marta Varela},
journal= {arXiv preprint arXiv:2008.13718},
year = {2020}
}
备注
Accepted at STACOM 2020, a MICCAI workshop