基于多任务学习的 GE-MRI 左心房分割
计算机视觉与模式识别
2019-02-28 v1 机器学习
摘要
左心房(LA)分割对于在术前房颤(AF)消融规划与术后随访研究中评估其解剖结构至关重要。本文提出一种基于深度学习的钆增强磁共振图像(GE-MRI)左心房全自动分割框架。我们提出一个全卷积神经网络，并探索多任务学习在执行心房分割与消融前/后分类中的益处。结果表明，通过在与相关任务间共享特征，网络可获得额外解剖信息并实现更精确的心房分割，在 20 张 3D MRI 图像的测试集上取得 0.901 的平均 Dice 分数。我们所提算法的代码见 https://github.com/cherise215/atria_segmentation_2018/。
引用
@article{arxiv.1810.13205,
title = {Multi-Task Learning for Left Atrial Segmentation on GE-MRI},
author = {Chen Chen and Wenjia Bai and Daniel Rueckert},
journal= {arXiv preprint arXiv:1810.13205},
year = {2019}
}
备注
STACOM 2018 Workshop, MICCAI 2018