$\nu$-net：用于广义双心室心脏质量与功能参数的深度学习
计算机视觉与模式识别
2017-06-15 v1 机器学习
摘要
背景：由心脏 MRI 导出的双心室质量和功能参数，如收缩末期容积 (ESV)、舒张末期容积 (EDV)、射血分数 (EF)、每搏输出量 (SV) 和心室质量 (VM)，在临床上已得到充分确立。由于人类心脏解剖结构复杂，图像分割可能具有挑战性且耗时。目的：本研究引入了 -net (/nju:nt/)——一种深度学习方法，允许对右心室 (RV) 和左心室 (LV) 的心内膜和心外膜进行全自动的高质量分割，以提取心脏功能参数。方法：一组由 253 个手动分割病例组成的数据集被用于训练深度神经网络。随后，该网络在 4 个不同的多中心数据集上进行了评估，总计超过 1000 个病例。结果：在相应的数据集上，LV EF 的组内相关系数 (ICC) 为 98%、95% 和 80%（95%），RV EF 为 96% 和 87%（80%）（括号内为人类专家的 ICC）。LV VM ICC 为 95% 和 94%（84%），RV VM ICC 为 83% 和 83%（54%）。本研究提出了一种简单的调整程序，允许适应不同的分割理念。-net 在 Dice 系数方面表现出 SOTA 性能。结论：通过应用深度神经网络进行心脏 MRI 分割，可以可靠地以高质量确定双心室质量和功能参数，尤其是在解剖结构复杂的右心室中。通过应用简单的调整程序来适应个人分割风格是可行的，允许在无需耗时额外训练的情况下处理新数据。
引用
@article{arxiv.1706.04397,
title = {$\nu$-net: Deep Learning for Generalized Biventricular Cardiac Mass and Function Parameters},
author = {Hinrich B Winther and Christian Hundt and Bertil Schmidt and Christoph Czerner and Johann Bauersachs and Frank Wacker and Jens Vogel-Claussen},
journal= {arXiv preprint arXiv:1706.04397},
year = {2017}
}