心脏 chamber 成像转换：基于自监督学习的全心重建与分割
图像与视频处理
2024-06-14 v1
摘要
心脏磁共挝(CMR)的自动化分割在高效评估心脏功能中起着关键作用，为医护人员和患者提供快速的临床评估。虽然最近的研究主要聚焦于短轴方向的结构描绘，但在长轴表示方面的注意力相对较少，这主要是由于该方向结构的复杂性。对左心室(LV)肌肉和四个心脏 chamber 进行2D稳态自由预济(SSFP) cine 序列的像素级分割是各种分析的关键前处理步骤。然而，挑战在于不同患者、临床视图、扫描仪和影像协议下，心脏在对比度、外观、方向和位置上的显著差异。这使得在此背景下实现完全自动的语义分割备受挑战。近年来，提出了几种深度学习模型来准确量化和诊断心脏病变。这些自动化工具高度依赖于对磁共挝成像(MRI)中心脏结构的准确分割。因此，亟需新方法来处理此类结构的几何和纹理复杂性。我们提出了2D和3D两种阶段的自监督深度学习分割混合 transformer 和 CNN 架构，用于4CH全心分割。对心室和心房在4CH视图中的准确分割对于分析心脏健康和重建四腔网格至关重要，这些网格对于估计 various 参数以评估整体心脏状况至关重要。我们的方法在该领域超越了最先进的技术，表现出优异的性能。
引用
@article{arxiv.2406.06643,
title = {Transforming Heart Chamber Imaging: Self-Supervised Learning for Whole Heart Reconstruction and Segmentation},
author = {Abdul Qayyum and Hao Xu and Brian P. Halliday and Cristobal Rodero and Christopher W. Lanyon and Richard D. Wilkinson and Steven Alexander Niederer},
journal= {arXiv preprint arXiv:2406.06643},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2206.07349 by other authors