急性心肌梗死MRI的心肌分割与T2定量分析的同步深度学习
图像与视频处理
2024-05-30 v3 人工智能
摘要
在心脏磁共振成像（MRI）分析中，同步进行心肌分割和T2定量是评估心肌病理的关键。现有方法常单独处理这些任务，限制了其协同潜力。为此，我们提出了SQNet，一种集成Transformer和卷积神经网络（CNN）组件的双任务网络。SQNet具备用于定量分析的T2细化融合解码器，利用Transformer的全局特征，以及具有多区域监督的分割解码器以提高准确性。紧密耦合模块对齐并融合CNN和Transformer分支的特征，使SQNet能够专注于心肌区域。在健康对照（HC）和急性心肌梗死患者（AMI）上的评估显示，SQNet的分割Dice得分（89.3/89.2）优于最先进的方法（87.7/87.9）。T2定量与HC/AMI的标签值呈强线性相关（Pearson系数：0.84/0.93），表明映射准确。放射科医生评估确认SQNet在图像质量评分（分割为4.60/4.58，T2定量为4.32/4.42）方面优于最先进的方法（分割为4.50/4.44，T2定量为3.59/4.37）。因此，SQNet实现了准确的同步分割和定量，增强了心脏疾病诊断，如AMI。
关键词
引用
@article{arxiv.2405.10570,
title = {Simultaneous Deep Learning of Myocardium Segmentation and T2 Quantification for Acute Myocardial Infarction MRI},
author = {Yirong Zhou and Chengyan Wang and Mengtian Lu and Kunyuan Guo and Zi Wang and Dan Ruan and Rui Guo and Peijun Zhao and Jianhua Wang and Naiming Wu and Jianzhong Lin and Yinyin Chen and Hang Jin and Lianxin Xie and Lilan Wu and Liuhong Zhu and Jianjun Zhou and Congbo Cai and He Wang and Xiaobo Qu},
journal= {arXiv preprint arXiv:2405.10570},
year = {2024}
}
备注
10 pages, 8 figures, 6 tables