基于离散向量场估计的4D CMR心脏时相检测自监督运动描述子
计算机视觉与模式识别
2022-09-20 v2 人工智能
摘要
心脏磁共振（CMR）序列随时间逐体素可视化心脏功能。同时，基于深度学习的可变形图像配准能够以自监督方式估计离散向量场，将CMR序列的一个时间步形变至下一时间步。然而，尽管这些3D+t向量场蕴含丰富信息，其标准化解释仍具挑战，且临床应用至今有限。本工作中，我们展示如何高效利用可变形向量场，以导出的1D运动描述子形式描述心脏周期的基础动态过程。此外，基于收缩或舒张心室的预期心血管生理特性，我们定义一组规则，可在无标签情况下识别包括收缩末期（ES）与舒张末期（ED）在内的五个心血管时相。我们在两个具有挑战性的多疾病、多中心、多扫描仪短轴CMR数据集上评估运动描述子的合理性。首先，通过报告所提取时相的周期性帧差等量化指标；其次，通过对两个数据集中所有实例的运动描述子进行时间重采样与对齐，定性比较其总体模式。我们的方法在ED、ES关键时相上的平均周期性帧差为、，略优于观察者间变异（、）与有监督基线方法（、）。代码与标签将在我们的GitHub仓库提供：https://github.com/Cardio-AI/cmr-phase-detection
引用
@article{arxiv.2209.05778,
title = {Self-supervised motion descriptor for cardiac phase detection in 4D CMR based on discrete vector field estimations},
author = {Sven Koehler and Tarique Hussain and Hamza Hussain and Daniel Young and Samir Sarikouch and Thomas Pickhardt and Gerald Greil and Sandy Engelhardt},
journal= {arXiv preprint arXiv:2209.05778},
year = {2022}
}
备注
accepted for the STACOM2022 workshop @ MICCAI2022