提高心脏 MRI 分析的多阶段分割与级联分类方法
图像与视频处理
2024-12-13 v1 计算机视觉与模式识别
机器学习
摘要
心脏磁共挍成像的分割与分类对于诊断心脏疾病至关重要，但当前方法在准确性和可泛化性方面面临挑战。本研究旨在进一步推进心脏 MRI 图像的分割与分类，提出一种新型基于深度学习的方法。该方法采用多阶段流程，利用 U-Net 和 ResNet 模型进行分割，然后进行高斯平滑，显著提高了分割精度，左心室 Dice 系数达到 0.974，右心室 Dice 系数达到 0.947。分类方面采用级联深度学习分类器，以区分心脏疾病，包括肥厚性心肌病、心肌梗死和扩张性心肌病，平均准确率达到 97.2%。该方法超越了现有模型，提升了分割精度和分类精度。这些突破为临床应用展现了前景，但仍需进一步在不同成像协议中进行验证和解释。
引用
@article{arxiv.2412.09386,
title = {Multi-Stage Segmentation and Cascade Classification Methods for Improving Cardiac MRI Analysis},
author = {Vitalii Slobodzian and Pavlo Radiuk and Oleksander Barmak and Iurii Krak},
journal= {arXiv preprint arXiv:2412.09386},
year = {2024}
}
备注
Cardiac MRI, heart pathology, deep learning, segmentation, Gaussian smoothing, classification, cascade