利用深度学习框架实现大鼠心脏 MRI 的全自动分割
图像与视频处理
2021-09-10 v1 计算机视觉与模式识别
机器学习
摘要
近年来，人类心脏磁共振数据集的自动分割技术一直在稳步提升。然而，由于数据集有限且图像分辨率较低，这些方法无法直接应用于临床前场景。据我们所知，尽管深度架构对于心脏功能的临床前评估至关重要，但其在大鼠心脏分割中的成功应用尚未见报道。我们开发了扩展标准 U-Net 架构的分割模型，并分别评估了用于收缩期和舒张期的独立模型（2MSA），以及用于所有时间点的单一模型（1MSA）。此外，我们使用基于高斯过程（GP）的先验校准模型输出，以改进相位选择。所得模型在 1MSA 和 2MSA 设置下的左心室分割质量和射血分数（EF）估计方面均接近人类水平（Sørensen-Dice 系数分别为 0.91 +/- 0.072 和 0.93 +/- 0.032）。2MSA 估计与参考 EF 之间的平均绝对差为 3.5 +/- 2.5 %，而 1MSA 为 4.1 +/- 3.0 %。将高斯过程应用于 1MSA 可实现收缩期和舒张期相位的自动选择。结合一种新颖的心脏相位选择策略，我们的工作为在大鼠心脏分析背景下实现全自动分割流程迈出了重要的第一步。
引用
@article{arxiv.2109.04188,
title = {Towards Fully Automated Segmentation of Rat Cardiac MRI by Leveraging Deep Learning Frameworks},
author = {Daniel Fernandez-Llaneza and Andrea Gondova and Harris Vince and Arijit Patra and Magdalena Zurek and Peter Konings and Patrik Kagelid and Leif Hultin},
journal= {arXiv preprint arXiv:2109.04188},
year = {2021}
}
备注
29 pages + 22 pages (supplementary information), 8 figures + 8 supplementary figures