形状约束 CNN 用于心脏 MRI 心肌形状与姿态参数的分割引导预测
图像与视频处理
2022-08-18 v1 计算机视觉与模式识别
摘要
基于卷积神经网络 (CNN) 的语义分割是许多医学图像分割任务（包括心脏 MR 图像中的心肌分割）的当前最优方法。然而，从这类标准 CNN 获得的预测分割图无法直接量化区域形状属性，例如局部室壁厚度。此外，CNN 缺乏显式的形状约束，偶尔会导致不切实际的分割结果。本文使用 CNN 来预测从训练图像集学习到的心肌底层统计形状模型的形状参数。同时预测心脏姿态，从而能够重建心肌轮廓。集成的形状模型对预测轮廓进行正则化，并保证形状的合理性。我们通过在训练期间同时执行像素级语义分割，并定义两个损失函数来强制两种预测表示之间的一致性（一个基于距离的损失和一个基于重叠的损失），从而增强形状与姿态预测的鲁棒性。我们在一个包含 75 名受试者的内部临床数据集以及 ACDC 和 LVQuan19 公开数据集上，通过 5 折交叉验证评估了所提出的方法。我们展示了同时进行语义分割以及两个新定义损失函数对形状参数预测的益处。我们的方法在三个数据集上实现了左心室 (LV) 面积 99% 的相关性，心肌面积 91% 至 97% 的相关性，LV 尺寸 98-99% 的相关性，以及局部室壁厚度 80% 至 92% 的相关性。
引用
@article{arxiv.2203.01089,
title = {Shape constrained CNN for segmentation guided prediction of myocardial shape and pose parameters in cardiac MRI},
author = {Sofie Tilborghs and Jan Bogaert and Frederik Maes},
journal= {arXiv preprint arXiv:2203.01089},
year = {2022}
}