提升心脏 MRI 深度学习分割方法可信度的研究
计算机视觉与模式识别
2019-06-18 v3
摘要
尽管对自动方法需求很高，当前最先进的深度学习分割方法尚未广泛进入临床环境。一个重要原因是模型在未被察觉的情况下失效，且常在局部产生医学专家不会做出的、解剖学上不合理的結果，从而导致缺乏可靠性。本文提出一种基于（贝叶斯）膨胀卷积网络（DCNN）的自动图像分割方法，其为给定输入图像生成分割掩码和空间不确定性图。该方法在 MICCAI 2017 挑战赛（ACDC）的 100 例心脏 2D MR 扫描上，针对舒张末期（ED）和收缩末期（ES）的左心室（LV）腔、右心室（RV）心内膜和心肌（Myo）分割进行了训练与评估。结合分割结果与不确定性图并采用人在回路（human-in-the-loop）设置，我们提供的证据表明，就所得分割而言被指示为高度不确定的图像区域几乎完全覆盖了错误分割的区域。该融合信息可被用以提升分割性能。我们的结果显示，利用 DCNN 能以较低计算代价获得有价值的空间不确定性图。
引用
@article{arxiv.1809.10430,
title = {Towards increased trustworthiness of deep learning segmentation methods on cardiac MRI},
author = {Jörg Sander and Bob D. de Vos and Jelmer M. Wolterink and Ivana Išgum},
journal= {arXiv preprint arXiv:1809.10430},
year = {2019}
}
备注
This work has been submitted to SPIE 2019 conference