基于 Cine MRI 双相形变场并采用逐次子空间学习的心脏病分类
图像与视频处理
2023-01-24 v1 计算机视觉与模式识别
摘要
心脏 cine 磁共振成像（MRI）已用于表征心血管疾病（CVD），常提供一种无创表型工具。尽管近期基于深度学习的 cine MRI 方法取得了准确表征结果，其性能常因训练样本小而下降。此外，许多深度学习模型被视为“黑箱”，模型如何给出预测及其可靠性在很大程度上仍不清楚。为缓解此问题，本文提出一种轻量级逐次子空间学习（SSL）框架用于 CVD 分类，该框架基于可解释的前馈设计，并结合心脏图谱。具体而言，我们的分层 SSL 模型基于（i）邻域体素扩展、（ii）无监督子空间近似、（iii）有监督回归以及（iv）多级特征整合。此外，使用图谱与个体受试者之间导出的双相 3D 形变场（包括舒张末期与收缩末期相位）作为输入，即便训练样本少，也提供了评估 CVD 的客观手段。我们在 ACDC2017 数据库上评估了我们的框架，该库包含一个健康组与四个疾病组。与基于 3D CNN 的方法相比，我们的框架以少 140 的参数取得了更优分类性能，这支持了其在临床中的潜在价值。
引用
@article{arxiv.2301.08959,
title = {Successive Subspace Learning for Cardiac Disease Classification with Two-phase Deformation Fields from Cine MRI},
author = {Xiaofeng Liu and Fangxu Xing and Hanna K. Gaggin and C. -C. Jay Kuo and Georges El Fakhri and Jonghye Woo},
journal= {arXiv preprint arXiv:2301.08959},
year = {2023}
}
备注
ISBI 2023