用于门控心肌灌注SPECT图像中右心室自动分割与定量的时空V-Net
图像与视频处理
2023-12-22 v2 计算机视觉与模式识别
摘要
背景。使用门控心肌灌注单光子发射计算机断层扫描（MPS）进行右心室（RV）功能评估高度依赖于右心室轮廓的精确提取。本文提出一种基于深度学习的新模型，整合门控MPS图像中的空间与时间特征，以实现RV心外膜与心内膜的分割。方法。通过整合门控MPS各心脏帧的空间特征与连续心脏帧的时间特征，我们开发了时空V-Net（ST-VNet）用于自动提取RV心内膜与心外膜轮廓。在ST-VNet中，采用V-Net分层提取空间特征，并在跳跃连接路径中加入卷积长短期记忆（ConvLSTM）单元以提取时间特征。ST-VNet的输入为MPS图像的ECG门控序列帧，输出为心外膜或心内膜掩膜的概率图。采用Dice相似系数（DSC）损失来惩罚模型预测与真实值之间的差异，以优化分割模型。结果。我们的分割模型在包含45名受试者的回顾性数据集上进行了训练与验证，每名受试者的心动周期被划分为8个门。所提出的ST-VNet在RV心外膜与心内膜分割中分别取得了0.8914和0.8157的DSC。RV射血分数（RVEF）在真实值与模型预测之间的平均绝对误差、均方误差和Pearson相关系数分别为0.0609、0.0830和0.6985。结论。我们提出的ST-VNet是一种有效的RV分割模型，在RV功能评估的临床应用中具有良好前景。
引用
@article{arxiv.2110.05443,
title = {Spatial-temporal V-Net for automatic segmentation and quantification of right ventricles in gated myocardial perfusion SPECT images},
author = {Chen Zhao and Shi Shi and Zhuo He and Cheng Wang and Zhongqiang Zhao and Xinli Li and Yanli Zhou and Weihua Zhou},
journal= {arXiv preprint arXiv:2110.05443},
year = {2023}
}
备注
15 pages, 8 figures