用于心脏MR分割的无监督多模态风格迁移
图像与视频处理
2020-02-06 v3 计算机视觉与模式识别
机器学习
摘要
在本工作中，我们提出一种全自动方法，从晚期钆增强（LGE）图像中分割心脏结构，无需使用带标签的LGE数据进行训练，而是通过迁移在标注的平衡稳态自由进动（bSSFP）图像上学习到的解剖知识与特征来实现，后者更易于获取。我们的框架主要由两个神经网络组成：用于风格迁移的多模态图像翻译网络和用于图像分割的级联分割网络。多模态图像翻译网络以单张标注的bSSFP图像为条件生成真实且多样的合成LGE图像，形成合成LGE训练集。该训练集随后用于微调在带标签bSSFP图像上预训练的分割网络，实现无监督LGE图像分割的目标。特别地，所提出的级联分割网络能够通过同时考虑形状先验与图像外观产生准确分割，在测试集上左心室、心肌和右心室的平均Dice分数分别达到0.92、0.83和0.88。
引用
@article{arxiv.1908.07344,
title = {Unsupervised Multi-modal Style Transfer for Cardiac MR Segmentation},
author = {Chen Chen and Cheng Ouyang and Giacomo Tarroni and Jo Schlemper and Huaqi Qiu and Wenjia Bai and Daniel Rueckert},
journal= {arXiv preprint arXiv:1908.07344},
year = {2020}
}
备注
STACOM 2019 camera-ready. Winner of Multi-sequence Cardiac MR Segmentation Challenge (MS-CMRSeg 2019) https://zmiclab.github.io/mscmrseg19/