基于图像块集成与迁移学习的心肌MRI运动相关伪影分类
图像与视频处理
2022-10-17 v1 计算机视觉与模式识别
摘要
心脏磁共振成像(MRI)在心功能分析中起着重要作用。然而,由于屏气困难,尤其对于急性症状患者,采集过程常伴随运动伪影。因此,评估心脏MRI质量以进行进一步分析至关重要。耗时的基于人工的分类不利于构建端到端计算机辅助诊断系统。为克服该问题,本文提出了一种利用集成与迁移学习的自动心脏MRI质量评估框架。多个预训练模型在从训练数据中采样的二维图像块上初始化并微调。在模型推理过程中,聚合这些模型的决策以做出最终预测。该框架已在CMRxMotion grand challenge(MICCAI 2022)数据集上评估,该数据集规模小、多类别且不平衡。其在训练集(5折交叉验证)和验证集上分别取得了78.8%和70.0%的分类准确率。最终训练模型还由CMRxMotion组织者在一个独立测试集上评估,取得了72.5%的分类准确率和0.6309的Cohen's Kappa(在该大赛中排名第一)。我们的代码已在Github上公开:https://github.com/ruizhe-l/CMRxMotion。
引用
@article{arxiv.2210.07717,
title = {Motion-related Artefact Classification Using Patch-based Ensemble and Transfer Learning in Cardiac MRI},
author = {Ruizhe Li and Xin Chen},
journal= {arXiv preprint arXiv:2210.07717},
year = {2022}
}
备注
Accepted for CMRxMotion challenge at STACOM 2022 workshop, MICCAI 2022