用于左心房延迟钆增强MRI图像质量评估的两阶段深度学习框架
图像与视频处理
2024-07-11 v1 计算机视觉与模式识别
摘要
对房颤患者左心房纤维化的准确评估依赖于高质量的3D延迟钆增强（LGE）MRI图像。然而，由于患者运动、呼吸模式变化或脉冲序列参数选择欠佳，获取此类图像具有挑战性。LGE-MRI图像诊断质量的自动评估具有临床意义，因其可提升诊断准确性、提高效率、确保标准化，并通过提供可靠且高质量的LGE-MRI扫描用于纤维化量化和治疗规划，从而改善患者预后。为此，我们提出一种用于LGE-MRI图像诊断质量自动评估的两阶段深度学习方法。该方法包括一个左心房检测器以聚焦相关区域，以及一个评估诊断质量的深度网络。我们探索了多任务学习和基于对比学习的预训练两种训练策略，以克服医学影像中标注数据有限的问题。对比学习结果表明，在数据为有限时，其F1分数和特异度相比多任务学习分别提升约和。
引用
@article{arxiv.2310.08805,
title = {Two-Stage Deep Learning Framework for Quality Assessment of Left Atrial Late Gadolinium Enhanced MRI Images},
author = {K M Arefeen Sultan and Benjamin Orkild and Alan Morris and Eugene Kholmovski and Erik Bieging and Eugene Kwan and Ravi Ranjan and Ed DiBella and Shireen Elhabian},
journal= {arXiv preprint arXiv:2310.08805},
year = {2024}
}
备注
Accepted to STACOM 2023. 11 pages, 3 figures