用于 MRI 和 CT 心脏亚结构分割的多平面深度分割网络
机器学习
2017-08-04 v1 计算机视觉与模式识别
摘要
从放射扫描中无创检测心血管疾病需要对心脏及其亚结构进行定量图像分析。放射科医生用于疾病评估的已确立测量指标包括射血分数、四个腔室的体积以及心肌质量。这些测量指标源自心脏及其亚结构的精确分割结果。本文旨在通过一个准确的图像分割算法提供此类测量，该算法从 MRI 和/或 CT 扫描中自动描绘心脏的七个亚结构。我们提出的方法基于多平面深度卷积神经网络（CNN）与自适应融合策略，其中我们自动利用来自 3D 扫描不同平面的互补信息以改进描绘。对于 CT 和 MRI，我们分别设计了三个 CNN（相同的架构配置）用于三个平面，并从头训练网络以对以下心脏结构进行体素级标注：左心室心肌（Myo）、左心房（LA）、左心室（LV）、右心房（RA）、右心室（RV）、升主动脉（Ao）和主肺动脉（PA）。我们在多模态全心脏分割挑战（MM-WHS 2017）数据集上通过 4 折交叉验证评估了所提方法。对 CT 和 MR 图像分别实现了 0.93 和 0.90 的精度与 Dice 指数，以及 0.87 和 0.85 的精度与 Dice 指数。在 GPU/CUDA 实现下，一个 CT 体积约 50 秒完成分割，而一个 MRI 扫描约 17 秒完成分割。
引用
@article{arxiv.1708.00983,
title = {Multi-Planar Deep Segmentation Networks for Cardiac Substructures from MRI and CT},
author = {Aliasghar Mortazi and Jeremy Burt and Ulas Bagci},
journal= {arXiv preprint arXiv:1708.00983},
year = {2017}
}
备注
The paper is accepted to STACOM 2017