基于对抗域自适应网络的多序列心脏 MR 分割
图像与视频处理
2019-10-29 v1 计算机视觉与模式识别
机器学习
摘要
从多序列心脏 MRI（CMR）中自动准确地分割心室和心肌，对心肌梗死（MI）患者的诊断和治疗管理至关重要。然而，由于不同模态数据集间存在域偏移，当训练与测试数据集不同时，深度神经网络性能显著下降。本文中，我们提出一种无监督域对齐方法，以显式缓解不同 CMR 序列模态（如 bSSFP、LGE 和 T2 加权）间的域偏移。我们的分割网络为带金字塔池化模块的注意力 U-Net，其中提出多层级特征空间和对抗学习输出空间，以跨不同数据集迁移有判别性的域知识。此外，我们进一步引入组级特征重标定模块，以强制细粒度语义级特征对齐，匹配来自不同网络但具有相同类标签的特征。我们在 2019 年多序列心脏 MR 分割挑战赛数据集上评估我们的方法，该数据集包含三种不同模态的 MRI 序列。大量实验结果表明，相比基线模型，所提方法可获得显著的分割改进。
引用
@article{arxiv.1910.12514,
title = {Multi-sequence Cardiac MR Segmentation with Adversarial Domain Adaptation Network},
author = {Jiexiang Wang and Hongyu Huang and Chaoqi Chen and Wenao Ma and Yue Huang and Xinghao Ding},
journal= {arXiv preprint arXiv:1910.12514},
year = {2019}
}
备注
10th Workshop on Statistical Atlases and Computational Modelling of the Heart (MICCAI2019 Workshop)