用于 CNN 从三维儿科心脏磁共振分割先天性心脏缺陷的保拓扑增强
图像与视频处理
2019-08-26 v1 计算机视觉与模式识别
机器学习
摘要
先天性心脏解剖结构的患者特异性 3D 打印要求准确分割表征此类诊断的薄组织界面。即便标签集与真值具有较高空间重叠，这些界面的不准确勾画仍会导致拓扑错误。由于缺陷的异常表现，这些错误会损害此类模型的临床效用。CNNs 已在分割任务中取得最先进性能。尽管数据增强常发挥重要作用，我们表明其中所用的常规图像重采样方案会在增强样本的ground truth标注中引入拓扑改变。我们提出一种新颖流程来纠正这些改变，利用快速行进算法在增强表示中强制 ground truth 标签的拓扑。在此过程中，我们引入心脏连续拓扑的概念以描述先天性心脏缺陷的任意组合，并开发一种相关的、具有临床意义的度量来衡量分割的拓扑正确性。在一系列五折交叉验证中，我们展示了该流程带来的性能提升，以及拓扑考量对先天性心脏缺陷分割的相关性。我们推测该方法可适用于任何涉及形态复杂目标的分割任务。
引用
@article{arxiv.1908.08870,
title = {Topology-preserving augmentation for CNN-based segmentation of congenital heart defects from 3D paediatric CMR},
author = {Nick Byrne and James R. Clough and Isra Valverde and Giovanni Montana and Andrew P. King},
journal= {arXiv preprint arXiv:1908.08870},
year = {2019}
}
备注
To be published at MICCAI PIPPI 2019