TMS-Net：一种耦合运行时质量控制方法的鲁棒心脏图像分割网络
图像与视频处理
2022-12-22 v1 计算机视觉与模式识别
摘要
近年来，深度网络在心脏磁共振成像（MRI）图像分割中表现出令人印象深刻的性能。然而，由于鲁棒性问题导致临床医生对其结果信任度低，其成果向医疗诊所广泛应用的转化进展缓慢。预测分割掩膜的运行时质量有助于警示临床医生注意较差的结果。尽管这一问题十分重要，但相关研究甚少。为弥补这一空白，我们提出了一种基于多视图网络 TMS-Net 各解码器间一致性的质量控制方法，该一致性由余弦相似度度量。该网络以从同一三维图像沿不同轴重切片得到的三视图作为输入。与以往多视图网络不同，TMS-Net 具有单一编码器和三个解码器，在 STACOM 2013 和 STACOM 2018 挑战数据集上的左心房分割实验中，获得了更好的噪声鲁棒性、分割性能及运行时质量估计。我们还提出了一种通过工程噪声和 Rician 噪声生成噪声图像来模拟欠训练、高各向异性和不良成像设置问题，从而生成较差分割掩膜的方法。我们的运行时质量估计方法对较差和良好质量分割掩膜实现了良好的分类，在 STACOM 2018 上 AUC 达到 0.97。我们相信 TMS-Net 与我们的运行时质量估计方法极有潜力提升临床医生对自动图像分析工具的信任。
引用
@article{arxiv.2212.10877,
title = {TMS-Net: A Segmentation Network Coupled With A Run-time Quality Control Method For Robust Cardiac Image Segmentation},
author = {Fatmatulzehra Uslu and Anil A. Bharath},
journal= {arXiv preprint arXiv:2212.10877},
year = {2022}
}