基于心脏 MRI 图像的左心房分割的多尺度特征融合与图像驱动空间集成
计算机视觉与模式识别
2025-02-11 v1 图像与视频处理
摘要
准确分割左心房 (LA) 于晚期腹素增强磁共振成像对于可视化受损心房结构、诊断和管理心血管疾病至关重要。这对于计划房颤 (AF) 的消融治疗尤为关键。然而，手动分割耗时且存在观察者间变异性，亟需自动化解决方案。类无监督基础模型如 DINOv2 在视觉任务中展示出卓越的特征提取能力。然而，其非领域特定性和任务特定适应性会降低特征提取中的空间分辨率，影响医学成像中捕捉细微解剖细节的能力。为此，我们提出一种将 DINOv2 作为编码器，搭配 UNet 风格解码器，集成多尺度特征融合和输入图像集成，以提高分割精度的分割框架。可学习的加权机制动态优先选择基础模型不同编码器块中层次化特征，优化特征选择以适应任务相关性。此外，重新引入输入图像以解耦解码阶段，保留高分辨率空间细节，弥补编码器下采样的局限性。我们在 LAScarQS 2022 数据集上进行验证，相较于 nnUNet 基线模型，巨型架构实现了 92.3% Dice 和 84.1% IoU 得分。这些结果凸显了该方法在从心脏 MRI 自动化左心房分割方面的有效性。
引用
@article{arxiv.2502.06615,
title = {Multi-Scale Feature Fusion with Image-Driven Spatial Integration for Left Atrium Segmentation from Cardiac MRI Images},
author = {Bipasha Kundu and Zixin Yang and Richard Simon and Cristian Linte},
journal= {arXiv preprint arXiv:2502.06615},
year = {2025}
}