基于级联细化 CNN 的多源多序列肌肉病变分割
图像与视频处理
2024-09-20 v1 计算机视觉与模式识别
机器学习
摘要
肌肉梗死 (MI) 是最常见的心血管疾病之一，因此是全球死亡和患病率的主要原因。准确评估 MI 患者的心肌组织可存活性对于诊断和治疗规划至关重要，例如，允许手术再灌注，或确定未来不良心血管事件的风险。通过结合来自互补医学成像技术获取的信息，可对心肌及其周围解剖结构进行细粒度分析。本文我们使用晚期加兰锥增强 (LGE) 磁共振 (MR)、T2 加权 (T2) MR 和平衡稳态自由预济 (bSSFP) 动脉 MR，以对左、右心室、健康和坏死的心肌组织，以及水肿进行语义分割。为此，我们提出一种多序列级联细化 CNN (MS-CaRe-CNN)，这是一种 2 阶段的 CNN 级联结构，接收多序列数据并生成感兴趣解剖结构的预测，而不考虑组织可存活性于阶段 1。阶段 1 的预测随后在阶段 2 中进一步细化，该模型此外还能区分基于可存活性的心肌组织，即健康、坏死和水肿区域。我们将该方法设置为 5 折集成，并对坏死组织进行语义分割，实现 62.31% 的 DSC 和 82.65% 的精确率，对于合并坏死和水肿区域实现 63.78% 的 DSC 和 87.69% 的精确率。这些有前景的结果对于这种小且具有挑战性的结构表明，MS-CaRe-CNN 适用于生成心肌组织可存活性评估的语义分割，从而支持下游任务，如个性化治疗规划。
引用
@article{arxiv.2409.12792,
title = {Multi-Source and Multi-Sequence Myocardial Pathology Segmentation Using a Cascading Refinement CNN},
author = {Franz Thaler and Darko Stern and Gernot Plank and Martin Urschler},
journal= {arXiv preprint arXiv:2409.12792},
year = {2024}
}