用于胎儿心脏MRI中联合弱监督分割与主动脉弓异常分类的多任务学习
图像与视频处理
2023-11-14 v1 计算机视觉与模式识别
机器学习
摘要
先天性心脏病(CHD)是一组在胎儿期即存在的心脏畸形，为全球出生缺陷的主要类别。本研究旨在辅助主动脉弓异常中的3D胎儿血管拓扑可视化，该类异常涵盖一系列具有显著解剖异质性的病症。我们提出一个从3D黑血T2w MRI进行自动化多类胎儿血管分割与异常分类的多任务框架。我们的训练数据包含个体受试者心脏血管区域的二值手动分割掩码，以及完全标注的异常特异性群体图谱。我们的框架将使用VoxelMorph的深度学习标签传播与3D Attention U-Net分割及DenseNet121异常分类相结合。我们针对11条心脏血管和三种不同主动脉弓异常，包括双主动脉弓、右主动脉弓和疑似主动脉缩窄。我们将异常分类器整合入分割流程，提供一个以纠正分割拓扑不准确为主要动机的多任务框架。假设是多任务方法将鼓励分割网络学习异常特异性特征。作为次要动机，自动化诊断工具可能在决策支持环境中增强诊断置信度。我们的结果显示，我们提出的训练策略显著优于标签传播和仅在传播标签上训练的网络。我们的分类器优于仅在T2w体积图像上训练的分类器，联合训练后平均平衡准确率为0.99 (0.01)。添加分类器提升了所有正确分类双主动脉弓受试者的解剖与拓扑精度。
引用
@article{arxiv.2311.07234,
title = {Multi-task learning for joint weakly-supervised segmentation and aortic arch anomaly classification in fetal cardiac MRI},
author = {Paula Ramirez and Alena Uus and Milou P. M. van Poppel and Irina Grigorescu and Johannes K. Steinweg and David F. A. Lloyd and Kuberan Pushparajah and Andrew P. King and Maria Deprez},
journal= {arXiv preprint arXiv:2311.07234},
year = {2023}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2023:015