基于GAN数据增强的优化自动化心脏MR瘢痕量化
图像与视频处理
2021-09-28 v1 计算机视觉与模式识别
摘要
背景：晚期钆增强（LGE）心脏MRI的临床效用受限于缺乏标准化和耗时的后处理。本工作中，我们验证了以下假设：使用合成数据增强训练的级联深度学习流水线将提高自动化瘢痕量化的模型准确性和鲁棒性。方法：提出一种由三个连续神经网络组成的级联流水线，首先使用边界框回归网络识别左心室（LV）心肌周围感兴趣区域。随后使用两个进一步的nnU-Net模型分割心肌以及（若存在）瘢痕。模型在EMIDEC挑战赛数据上训练，并补充了由条件GAN生成的广泛合成数据集。结果：在逐层水平上，该级联流水线显著优于直接分割心肌和瘢痕的单一nnU-Net（平均Dice相似系数（DSC）（标准差（SD））：心肌 0.84 (0.09) vs 0.63 (0.20)，p < 0.01；瘢痕 DSC：0.72 (0.34) vs 0.46 (0.39)，p < 0.01）。训练期间将合成数据作为数据增强纳入使瘢痕分割DSC提高了0.06（p < 0.01）。在挑战赛测试集上，经合成生成数据增强的级联流水线逐受试者平均DSC分别为心肌0.86 (0.03)、瘢痕0.67 (0.29)。结论：使用合成生成数据增强训练的级联深度学习流水线所获得的心肌和瘢痕分割结果类似于人工勾画，且优于无合成图像的直接分割。
引用
@article{arxiv.2109.12940,
title = {Optimized Automated Cardiac MR Scar Quantification with GAN-Based Data Augmentation},
author = {Didier R. P. R. M. Lustermans and Sina Amirrajab and Mitko Veta and Marcel Breeuwer and Cian M. Scannell},
journal= {arXiv preprint arXiv:2109.12940},
year = {2021}
}
备注
Submitted for peer review