利用带分割正则化及预训练 2D 与 3D CNN 集成的直接回归进行左心室量化
图像与视频处理
2020-02-04 v1 计算机视觉与模式识别
摘要
心脏左心室（LV）量化为诊断心脏疾病提供了工具。由于患者间差异巨大以及心动周期中的形变，从心脏 MR 图像自动计算所有相关 LV 指标是一项复杂任务。典型方法基于心肌分割或从 MR 图像直接回归。为考虑心脏运动与形变，已有循环神经网络与时空卷积神经网络（CNNs）被提出。我们研究了一种结合最先进模型并强调迁移学习的方法，以应对 LVQuan19 挑战赛提供的小数据集。我们比较了用于 LV 指标回归与心相位分类的 2D 空间与 3D 时空 CNNs。为融入分割信息，我们提出了一种与架构无关的基于分割的正则化。为进一步提升鲁棒性，我们采用一种搜索方案，从一组架构变体中确定最优集成。在 LVQuan19 挑战赛训练集上以 5 折交叉验证评估，我们对面积、尺寸与局部室壁厚度回归分别取得 111 ± 76mm^2、1.84 ± 0.9mm 与 1.22 ± 0.6mm 的平均绝对误差。心相位分类的错误率为 6.7%。
引用
@article{arxiv.1908.04181,
title = {Left Ventricle Quantification Using Direct Regression with Segmentation Regularization and Ensembles of Pretrained 2D and 3D CNNs},
author = {Nils Gessert and Alexander Schlaefer},
journal= {arXiv preprint arXiv:1908.04181},
year = {2020}
}
备注
Accepted at the MICCAI Workshop STACOM 2019