Shape constrained CNN for segmentation guided prediction of myocardial shape and pose parameters in cardiac MRI
KU Leuven（鲁汶大学）；UZ Leuven（鲁汶大学医院）
使用卷积神经网络（CNN）的语义分割是许多医学图像分割任务（包括心脏MR图像中的心肌分割）的最新技术。然而，从这种标准CNN获得的预测分割图不允许直接量化区域形状属性，例如区域壁厚。此外，CNN缺乏明确的形状约束，偶尔会导致不切实际的分割。在本文中，我们使用CNN来预测从图像训练集学习的心肌的基本统计形状模型的形状参数。此外，预测心脏姿态，这允许重建心肌轮廓。集成的形状模型使预测的轮廓规则化，并保证真实的形状。我们通过在训练过程中同时执行像素级语义分割来增强形状和姿态预测的鲁棒性，并定义了两个损失函数来在两个预测表示之间施加一致性：一个基于距离的损失和一个基于距离的损失。我们对75名受试者的内部临床数据集以及ACDC和LVQuan 19公共数据集进行了5倍交叉验证，评估了所提出的方法。我们同时语义分割和两个新定义的损失函数的形状参数的预测的好处。我们的方法在三个数据集上实现了左心室（LV）面积99%的相关性，心肌面积在91%和97%之间，LV尺寸在98-99%之间，局部壁厚在80%和92%之间。
2022-03-02 cs.CV eess.IV
Cardiac MR Image Segmentation Techniques: an overview
广义地说，心脏图像分割的目标是描绘心脏的外壁和内壁，以分割出器官边界的全部或部分。本文将重点介绍MR图像，因为它们是心脏分割中使用最广泛的图像，因为它们提供了准确的形态信息和更好的软组织对比度。该心脏分割信息是非常有用的，因为它简化了提供用于心脏诊断的有用度量的物理测量，诸如梗死体积、心室体积、射血分数、心肌质量、心脏运动等。但是，由于MR图像中存在的一些噪声伪影之上的不同心脏和背景结构之间的强度和纹理相似性，该任务是困难的。到目前为止，各种研究人员提出了不同的技术来解决一些紧迫的问题。这篇研讨会论文概述了代表性的医学图像分割技术。本文还强调了在短轴图像平面上分割四个心腔的首选方法：左心室（LV）、右心室（RV）、左心房（LA）和右心房（RA）。
2015-02-14 cs.CV
Shape Constrained CNN for Cardiac MR Segmentation with Simultaneous Prediction of Shape and Pose Parameters
KU Leuven（鲁汶大学）；UZ Leuven（鲁汶大学医院）
使用卷积神经网络（CNN）的语义分割是许多医学分割任务的最新技术，包括心脏MR图像中的左心室（LV）分割。然而，缺点是这些CNN缺乏明确的形状约束，偶尔会导致不切实际的分割。在本文中，我们执行LV和心肌分割的姿态和形状参数的回归来自统计形状模型。集成的形状模型使预测的分割规则化并保证真实的形状。此外，与语义分割相比，它允许直接计算区域测量，如心肌厚度。我们通过在训练过程中同时构建分割距离图来增强形状和姿态预测的鲁棒性。我们评估了所提出的方法在一个内部的临床数据集，共包含1539个划定的短轴切片覆盖LV从心尖到基底，并实现了99%的相关性为LV面积，94%的心肌面积，98%的LV尺寸和88%的区域壁厚的五重交叉验证。该方法还在LVQuan 18和LVQuan 19公共数据集上进行了验证，并获得了最先进的结果。
2020-10-18 cs.CV eess.IV
Domain-Adversarial Learning for Multi-Centre, Multi-Vendor, and Multi-Disease Cardiac MR Image Segmentation
King's College London（伦敦国王学院）；Eindhoven University of Technology（埃因霍温理工大学）
电影心脏磁共振（CMR）已成为无创评价心脏功能的金标准。特别是，它允许准确量化功能参数，包括腔室容积和射血分数。深度学习已经显示出自动化必要的心脏结构分割的潜力。然而，深度学习模型缺乏鲁棒性阻碍了它们在临床上的广泛应用。由于数据特征的差异，在来自特定扫描仪的数据上训练的神经网络不能保证很好地推广到在不同中心或使用不同扫描仪获取的数据。在这项工作中，我们提出了一个原则性的解决方案，这个域转移的问题。使用领域对抗学习来训练使用标记和未标记数据的领域不变的2D U-网。这种方法在来自M\&MS挑战数据集的可见和不可见域上进行了评估，与标准训练相比，域对抗方法显示出更好的性能。此外，我们表明，域信息不能从学习的功能恢复。
2020-08-26 cs.CV eess.IV
Multi-Disease-Aware Training Strategy for Cardiac MR Image Segmentation
College of Computer Science, Sichuan Normal University（四川师范大学计算机科学学院）；School of Computing and Artificial Intelligence, Southwest Jiaotong University（西南交通大学计算与人工智能学院）；West China Hospital, Sichuan University（四川大学华西医院）
针对心脏MRI分割中右心室等不规则器官性能差的问题，提出多疾病感知训练策略（MTS）重构多疾病数据集并配合专门预处理，实验证明该方法提升分割性能且对未知疾病数据具有鲁棒性。
2025-03-25 cs.CV eess.IV
Gaze-Assisted Human-Centric Domain Adaptation for Cardiac Ultrasound Image Segmentation
College of Artificial Intelligence, Nanjing University of Aeronautics and Astronautics（南京航空航天大学人工智能学院）；School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；School of Instrument Science and Engineering, Southeast University（东南大学仪器科学与工程学院）；Department of Biomedical Engineering, Case Western Reserve University（凯斯西储大学生物医学工程系）
本文提出注视辅助的以人为中心的域自适应方法GAHCDA，利用医生注视轨迹中的跨域人类认知引导心脏超声图像分割，通过注视增强对齐和注视平衡损失提升目标域分割性能，优于GAN和自训练方法。
2025-02-06 cs.CV eess.IV
DeepRecon: Joint 2D Cardiac Segmentation and 3D Volume Reconstruction via A Structure-Specific Generative Method
Rutgers University（罗格斯大学）；SenseBrain Research（SenseBrain研究院）；University of Arkansas for Medical Sciences（阿肯色大学医学院）；Lund University（隆德大学）；New York University（纽约大学）
联合二维心脏分割和三维体积重建是建立统计心脏解剖模型和从运动模式中理解功能机制的基础。然而，由于电影MR的低通过平面分辨率和高受试者间方差，准确分割心脏图像和重建3D体积是具有挑战性的。在这项研究中，我们提出了一个端到端的基于潜在空间的框架，DeepRecon，它可以生成多个临床基本结果，包括准确的图像分割，合成的高分辨率3D图像和3D重建体积。我们的方法识别包含心脏结构准确语义信息的电影图像的最佳潜在表示。特别是，我们的模型联合生成具有准确语义信息的合成图像和使用最佳潜在表示的心脏结构分割。我们进一步探索了不同潜在空间操作策略在三维形状重建和四维运动模式自适应的下游应用，同时生成的高分辨率图像对评估心脏的形状和运动具有很高的可解释性，实验结果证明了我们的方法在二维分割、三维重建和下游四维运动模式自适应性能等多个方面的有效性。
2022-06-14 cs.CV cs.LG eess.IV
Studying Robustness of Semantic Segmentation under Domain Shift in cardiac MRI
German Cancer Research Center (DKFZ)（德国癌症研究中心（DKFZ））；Medical Faculty Heidelberg, Heidelberg University（海德堡大学海德堡医学院）
心脏磁共振成像（cMRI）是许多心脏相关疾病诊断的重要组成部分。最近，深度神经网络已经证明了成功的自动分割，从而减轻了耗时的心脏结构手动轮廓的负担。此外，像nnU-Net这样的框架为看不见的数据集提供了完全自动的模型配置，即使是非专家也可以实现开箱即用的应用程序。然而，目前的研究通常忽略了临床现实的情况下，其中一个训练有素的网络被应用到来自不同领域的数据，如偏离扫描仪或成像协议。这可能会导致深度学习模型在现实应用中的意外性能下降。在这项工作中，我们系统地研究了来自多个临床中心和扫描仪供应商的图像之间域转移的挑战和机遇。为了保持开箱即用的可用性，我们构建在由nnU-net框架配置的固定U-Net架构上，以研究各种数据增强技术和批处理规范化层，作为易于自定义的管道组件，并提供有关如何提高现有深度学习方法中的域泛化能力的一般指导方针。我们提出的方法在多中心，多供应商和多疾病心脏图像分割挑战赛（M & M）中排名第一。
2020-11-15 cs.CV eess.IV
Efficient Model Monitoring for Quality Control in Cardiac Image Segmentation
EURECOM（欧洲通信学院）
深度学习方法在心脏图像分割方面已达到最先进的性能。目前，将其有效转化为临床的主要瓶颈需要确保持续的高模型性能和分割结果。在这项工作中，我们提出了一个新的学习框架，以监测心脏分割模型的性能在没有地面真相。作为一个异常检测问题，制定的监测框架允许派生替代质量措施的分割，并允许标记可疑的结果。我们提出了两种不同类型的质量措施，全球得分和像素明智的地图。我们证明了他们的使用，在没有地面真相的情况下，通过复制心脏分割挑战的最终排名。结果表明，我们的框架是准确的，快速的，可扩展的，确认它是一个可行的选择，在临床实践和大人口研究的质量控制监测。
2021-04-12 cs.CV eess.IV stat.ML
L-CO-Net: Learned Condensation-Optimization Network for Clinical Parameter Estimation from Cardiac Cine MRI
Rochester Institute of Technology（罗切斯特理工学院）
在这项工作中，我们实现了一个完全卷积的分割器，它具有学习的组结构和正则化的权重修剪器，以降低体积图像分割中的高计算成本。我们在ACDC数据集上验证了我们的框架，该数据集具有在整个心动周期成像的一个健康组和四个病理组。我们的技术实现了96.8%（LV血池），93.3%（RV血池）和90.0%（LV肌萎缩）的Dice评分，具有五重交叉验证，并产生了与地面实况分割数据估计的临床参数相似的临床参数。基于这些结果，该技术有可能成为一种高效和有竞争力的心脏图像分割工具，可用于心脏计算机辅助诊断，规划和指导应用。
2020-04-21 cs.CV eess.IV
TMS-Net: A Segmentation Network Coupled With A Run-time Quality Control Method For Robust Cardiac Image Segmentation
Bursa Technical University（布尔萨技术大学）；Imperial College London（伦敦帝国学院）
最近，深度网络在心脏磁共振成像（MRI）图像分割方面表现出令人印象深刻的性能。然而，由于稳健性问题导致临床医生对其结果的信任度较低，因此它们的成就在医疗诊所中的广泛使用过渡缓慢。预测分割掩模的运行时质量对于警告临床医生不良结果可能是有用的。尽管它的重要性，有很少的研究在这个问题上。为了解决这个问题，我们提出了一种质量控制方法的基础上的协议，跨解码器的多视图网络，TMS-Net，测量余弦相似性。该网络采用三个视图输入，这些视图输入是从同一个3D图像沿不同轴重新切片的。与以前的多视图网络不同，TMS-Net有一个编码器和三个解码器，在我们对STACOM 2013和STACOM 2018挑战数据集上左心房分割的实验中，具有更好的噪声鲁棒性，分割性能和运行时质量估计。我们还提出了一种方法，通过使用由工程噪声和Rician噪声生成的噪声图像来模拟训练不足，高各向异性和成像设置差的问题，来生成差的分割掩模。我们的运行时质量估计方法在STACOM 2018上显示出对质量差和质量好的分割掩码的良好分类，AUC达到0.97。我们相信，TMS-Net和我们的运行时质量估计方法具有很高的潜力，以增加临床医生的推力自动图像分析工具。
2022-12-21 cs.CV eess.IV
Histogram Matching Augmentation for Domain Adaptation with Application to Multi-Centre, Multi-Vendor and Multi-Disease Cardiac Image Segmentation
Nanjing University of Science and Technology（南京理工大学）
卷积神经网络（CNN）在训练样本和测试样本来自相同分布的情况下，可以实现心脏结构分割的高精度。然而，如果测试用例来自不同的域（例如，新的MRI扫描仪，临床中心）。在本文中，我们提出了一个直方图匹配（HM）的数据增强方法，以消除域间隙。具体来说，我们的方法通过使用HM将测试用例的强度分布转移到现有的训练用例来生成新的训练用例。所提出的方法非常简单，可以即插即用的方式用于许多分割任务。该方法在MICCAI 2020 M\&MS挑战上进行了评估，并且对于左心室、心肌和右心室分别实现了0.9051、0.8405和0.8749的平均Dice分数以及9.996、12.49和12.68的Hausdorff距离。我们的成果在MICCAI 2020 M\&Ms挑战赛中排名第三。代码和训练模型可在\url{https://github.com/JunMa11/HM_DataAug}上公开获得。
2020-12-27 cs.CV eess.IV
Deep learning for cardiac image segmentation: A review
Imperial College London（伦敦帝国学院）；City, University of London（伦敦城市大学）；University of Birmingham（伯明翰大学）
近年来，深度学习已成为心脏图像分割中使用最广泛的方法。在本文中，我们回顾了100多篇使用深度学习的心脏图像分割论文，其中涵盖了常见的成像方式，包括磁共振成像（MRI），计算机断层扫描（CT）和超声（US）以及感兴趣的主要解剖结构（心室，心房和血管）。此外，还包括公开可用的心脏图像数据集和代码库的摘要，为鼓励可重复的研究提供基础。最后，我们讨论了当前基于深度学习的方法所面临的挑战和局限性（标签的稀缺性，不同领域的模型泛化性，可解释性），并为未来的研究提出了潜在的方向。
2019-11-09 cs.CV cs.LG eess.IV
Fully Convolutional Multi-scale Residual DenseNets for Cardiac Segmentation and Automated Cardiac Diagnosis using Ensemble of Classifiers
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）
基于深度全卷积神经网络（FCN）的体系结构在医学图像分割中显示出巨大的潜力。然而，这样的架构通常具有数百万个参数和不足的训练样本数量，导致过拟合和泛化能力差。在本文中，我们提出了一种新的高参数和内存效率的FCN为基础的架构，用于医学图像分析。我们提出了一种新的上采样路径，它结合了长跳跃和捷径连接，以克服FCN等架构中的特征图爆炸。为了同时处理多尺度和多视点的输入图像，我们建议结合Inception模块的并行结构。我们还提出了一种新的双重损失函数，其加权方案允许结合交叉熵和骰子损失的优点。我们已经在两个公开的数据集上验证了我们提出的网络架构，即：（i）自动心脏病诊断挑战（ACDC-2017），（ii）左心室分割挑战（LV-2011）。我们的方法在ACDC-2017挑战赛中获得了分割的第二名和自动心脏病诊断任务的第一名，准确率为100%。在LV-2011挑战中，我们的方法达到了0.74 Jaccard指数，这是迄今为止全自动算法中最高的结果。从分割，我们提取临床相关的心脏参数和手工制作的功能，反映了临床诊断分析，训练一个集成系统的心脏疾病分类。我们的方法将心脏分割和疾病诊断结合到一个完全自动化的框架中，该框架具有计算效率，因此有可能被纳入计算机辅助诊断（CAD）工具中用于临床应用。
2018-01-16 cs.CV
Cardiac Segmentation of LGE MRI with Noisy Labels
NVIDIA（英伟达）
在这项工作中，我们试图分割的心脏结构，在后期钆增强（LGE）磁共振图像（MRI）中，只使用最小的监督，在两个步骤的方法。在第一步中，我们将一小组五个LGE心脏磁共振（CMR）图像与地面真实标签配准到一组40个无注释的目标LGE CMR图像。每个手动注释的地面实况提供心肌和左心室（LV）和右心室（RV）腔的标签，其用作图谱。在通过多数投票进行多图谱标签融合之后，我们为每个目标LGE图像拥有噪声标签。目标LGE CMR图像的30名患者存在第二组手动标签，但在不同的MRI序列（bSSFP和T2加权）上注释。同样，我们使用具有一致性约束的多图谱标签融合来进一步细化我们的噪声标签，如果其他模态中的附加注释可用于给定患者。在第二步中，我们训练一个深度卷积网络，用于对目标数据进行语义分割，同时使用数据增强技术来避免对噪声标签的过度拟合。经过推理和简单的后处理，我们实现了目标LGE CMR图像的最终分割，导致LV腔，LV心肌和RV腔的平均Dice分别为0.890，0.780和0.844。
2019-10-02 cs.CV eess.IV
2D-3D Fully Convolutional Neural Networks for Cardiac MR Segmentation
在本文中，我们使用深度卷积神经网络（CNN）开发了一个用于全自动心脏MR图像分割的2D和3D分割管道。我们的模型是使用ACD Challenge 2017数据集从头开始进行端到端训练的，该数据集由100项研究组成，每项研究都包含舒张末期和收缩末期的心脏MR图像。我们表明，我们的分割模型在距离度量方面达到了接近最先进的性能分数，并且在临床参数方面具有令人信服的准确性。通过引入一种新的骰子损失函数及其与交叉熵损失的组合，提供了一个比较分析。通过探索不同的网络结构和综合实验，我们讨论了获得最佳模型性能的几个关键见解，这也是本次挑战的核心主题。
2017-07-31 cs.CV
Semi-Supervised Domain Generalization for Cardiac Magnetic Resonance Image Segmentation with High Quality Pseudo Labels
The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong University of Science and Technology Shenzhen Research Institute（香港科技大学深圳研究院）
本文针对多样域心脏MRI分割问题，提出一种结合傅里叶变换增强与双重交叉伪监督的半监督域泛化方法，在CMRxMotion数据集上仅用部分标注数据即实现准确分割。
2023-12-02 cs.CV eess.IV
A Distance Map Regularized CNN for Cardiac Cine MR Image Segmentation
Rochester Institute of Technology（罗切斯特理工学院）；National Institute of Allergy and Infectious Diseases（国家过敏和传染病研究所）；MSC LLC.（MSC有限责任公司）
心脏图像分割是生成个性化心脏模型和量化心脏性能参数的关键过程。已经提出了几种卷积神经网络（CNN）架构来从心脏电影MR图像中分割心脏腔室。在这里，我们提出了一个多任务学习（MTL）为基础的正则化框架的心脏MR图像分割。该网络被训练来执行语义分割的主要任务，以及像素距离图回归的同步辅助任务。提出的距离图正则化器是添加到现有CNN架构瓶颈层的解码器网络，有助于网络学习鲁棒的全局特征。在训练后移除正则化块，使得网络参数的原始数量不改变。我们表明，所提出的正则化方法提高了相应的国家的最先进的CNN架构上的两个公开的心脏电影MRI数据集的二进制和多类分割性能，获得平均骰子系数为0.84 $\pm$ 0.03和0.91 $\pm$ 0.04，分别。此外，我们还证明了距离图正则化网络在交叉数据集分割上的泛化性能得到了改善，心肌Dice系数从0.56 $\pm$ 0.28提高到0.80 $\pm$ 0.14，提高了42%。
2019-04-18 cs.CV
A Multi-Task Cross-Task Learning Architecture for Ad-hoc Uncertainty Estimation in 3D Cardiac MRI Image Segmentation
Rochester Institute of Technology（罗切斯特理工学院）
由于深度学习架构，医学图像分割已经大大受益。此外，半监督学习（SSL）最近已经成为一个增长的趋势，通过利用丰富的未标记数据来提高模型的整体性能。此外，在同一模型中学习多个任务进一步提高了模型的泛化能力。为了从3D心脏MR图像生成更平滑和准确的分割掩模，我们提出了一种多任务跨任务学习一致性方法，以加强像素级（分割）和几何级（距离图）任务之间的相关性。我们对训练集中不同数量的标记数据进行了广泛的实验，证明了我们的模型对钆增强磁共振（GE-MR）图像左心房腔分割的有效性。通过结合不确定性估计来检测CNN生成的分割掩码中的故障，我们的研究进一步展示了我们的模型标记给定模型的低质量分割的潜力。
2021-10-03 cs.CV cs.LG eess.IV
Multi-task Swin Transformer for Motion Artifacts Classification and Cardiac Magnetic Resonance Image Segmentation
Sano Centre for Computational Medicine（萨诺计算医学中心）；Informatics Institute, University of Amsterdam（阿姆斯特丹大学信息学研究所）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）
心脏磁共振成像通常用于评估心脏解剖结构和功能。左、右心室血池及左心室心肌的描绘对心脏疾病的诊断具有重要意义。不幸的是，在CMR采集过程期间患者的移动可能导致在最终图像中出现运动伪影。这种伪影降低了CMR图像的诊断质量，并迫使重做该过程。在本文中，我们提出了一个多任务Swin UNEt Transformer网络，用于同时解决CMRxMotion挑战中的两个任务：CMR分割和运动伪影分类。我们利用分割和分类作为多任务学习方法，使我们能够确定CMR的诊断质量并同时生成掩模。CMR图像被分为三个诊断质量类别，而所有样本与非严重的运动伪影被分割。使用5-Fold交叉验证训练的五个网络的Encerning实现了DICE系数为0.871的分割性能和0.595的分类精度。
2022-09-06 cs.AI cs.CV eess.IV
IntelliCardiac: An Intelligent Platform for Cardiac Image Segmentation and Classification
University at Albany, State University of New York（纽约州立大学阿尔巴尼分校）
IntelliCardiac 是一个基于 Web 的 4D 心脏图像智能平台，结合深度学习分割模型与两阶段分类流程，在 ACDC 数据集上实现 92.6% 分割准确率和 98% 五类疾病分类准确率，用于临床决策辅助。
2025-05-08 cs.AI cs.CV eess.IV
A Comparative Analysis of U-Net-based models for Segmentation of Cardiac MRI
Indian Institute of Technology Roorkee（印度理工学院鲁尔基分校）
本文比较分析多种U-Net衍生模型在心脏短轴MRI分割中的表现，旨在提升心脏疾病诊断与治疗，通过定量指标展示模型有效性并讨论挑战与改进方向。
2024-11-07 cs.CV cs.LG eess.IV
MMGL: Multi-Scale Multi-View Global-Local Contrastive learning for Semi-supervised Cardiac Image Segmentation
Nanyang Technological University（南洋理工大学）；National University of Singapore（新加坡国立大学）
通过大规模标记良好的数据集，深度学习在医学图像分割方面取得了显著的成功。然而，由于广泛的专业知识要求和昂贵的标签工作，在临床实践中获得丰富的注释是具有挑战性的。最近，对比学习在未标记数据的视觉表示学习方面表现出了强大的能力，在许多领域都取得了令人印象深刻的性能，可以与监督学习相媲美。在这项工作中，我们提出了一种新的多尺度多视图全局-局部对比学习（MMGL）框架，以彻底探索不同尺度和视图的全局和局部特征，以实现强大的对比学习性能，从而提高有限注释的分割性能。在MM-WHS数据集上的大量实验证明了MMGL框架在半监督心脏图像分割上的有效性，大大优于最先进的对比学习方法。
2022-07-05 cs.AI cs.CV eess.IV
Intra-Class Subdivision for Pixel Contrastive Learning: Application to Semi-supervised Cardiac Image Segmentation
College of Computer Science（计算机科学学院）；Software Engineering（软件工程）；Shenzhen University（深圳大学）；Shenzhen 518060, China（深圳518060, 中国）
本文提出SPCL框架，通过类内细分和边界对比损失提升心脏图像分割的精度和边界识别能力。
2026-01-30 cs.CV
Cardiac MRI Semantic Segmentation for Ventricles and Myocardium using Deep Learning
Kent State University（肯特州立大学）
针对心脏MRI语义分割任务，提出一种基于U-Net的改进模型，通过下采样提取边缘与上下文信息并在上采样注入，提升左/右心室腔及左心室心肌分割精度，DSC提高2%-11%、HD降低1.6-5.7mm。
2025-04-18 cs.AI cs.CV cs.LG
PC-U Net: Learning to Jointly Reconstruct and Segment the Cardiac Walls in 3D from CT Data
Rutgers University（罗格斯大学）；Nvidia Corporation（英伟达公司）；New York University（纽约大学）
心脏的左心室（LV）心肌（MYO）壁的3D体积形状为心脏疾病的诊断和侵入性手术导航提供了重要信息。许多心脏图像分割方法依赖于感兴趣区域的检测作为形状分割和建模的先决条件。利用分割结果，可以重建分割的心脏体积的3D表面网格和对应的点云以用于进一步分析。虽然现有技术的方法（例如，U-Net）在心脏图像分割方面的准确性方面取得了不错的表现，但这些分割结果仍然会受到成像伪影和噪声的影响，这将导致形状建模结果不准确。在本文中，我们提出了一个PC-U网络，共同重建直接从体积的2D CT切片的LV MYO壁的点云，并从预测的3D点云生成其分割掩模。大量的实验结果表明，通过将一个形状之前从点云，分割掩模是更准确的比国家的最先进的U-网络的结果在骰子的系数和Hausdorff distance.我们提出的联合学习框架的PC-U网络是有益的自动心脏图像分析任务，因为它可以同时获得的3D形状和分割的LV MYO壁。
2020-08-18 cs.CV
Style-invariant Cardiac Image Segmentation with Test-time Augmentation
Shenzhen University（深圳大学）
由于真实临床环境中的外观变化，深度模型通常会遭受严重的性能下降。大多数现有的基于学习的方法依赖于来自多个网站/供应商甚至相应标签的图像。然而，收集足够的未知数据，鲁棒的模型分割并不总是成立，因为在日常应用中的成像因素引起的复杂的外观变化。在本文中，我们提出了一种新的风格不变的心脏图像分割方法。基于zero-shot风格转移，以消除外观移位和测试时增强，以探索不同的底层解剖，我们提出的方法是有效的，在打击外观移位。我们的贡献是三方面的。首先，受通用风格转换的启发，我们对内容图像进行了zero-shot风格化处理，生成与风格图像外观相似的风格化图像。其次，我们建立了一个强大的心脏分割模型的基础上的U-Net结构。我们的框架在测试过程中主要由两个网络组成：用于消除外观偏移的ST网络和分割网络。第三，我们研究测试时增强，以探索风格化图像的转换版本进行预测，并将结果合并。值得注意的是，我们提出的框架是完全测试时适应。实验结果表明，我们的方法是有前途的和通用的推广深度分割模型。
2020-09-24 cs.CV cs.LG eess.IV
Few-shot Unsupervised Domain Adaptation for Multi-modal Cardiac Image Segmentation
Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
无监督域自适应（UDA）方法旨在通过使用未标记的目标域和标记的源域数据来减少源域和目标域之间的差距，然而，在医学领域中，目标域数据可能并不总是容易获得，并且获取新的样本通常是耗时的。这限制了UDA方法在新领域的发展。在本文中，我们探讨了UDA的潜力，在一个更具挑战性的，而现实的情况下，只有一个未标记的目标患者样本是可用的。我们称之为Few-Shot无监督域自适应（FUDA）。我们首先从源图像生成目标样式图像，并使用随机自适应实例归一化（RAIN）从单个目标患者中探索不同的目标样式。然后，用生成的目标图像以监督的方式训练分割网络。我们的实验表明，与基线相比，FUDA在目标域上的分割性能提高了0.33的Dice得分，并且在更严格的单次设置下，它也给出了0.28的Dice得分提高。我们的代码可在\url{https://github.com/MingxuanGu/Few-shot-UDA}上获得。
2022-01-28 cs.CV eess.IV
An Exploration of 2D and 3D Deep Learning Techniques for Cardiac MR Image Segmentation
ETH Zurich（苏黎世联邦理工学院）
心脏的精确分割是评估心脏功能的重要步骤。在本文中，我们提出了一个完全自动化的框架分割的左（LV）和右（RV）心室腔和心肌（Myo）的短轴心脏MR图像。我们研究了各种2D和3D卷积神经网络架构。我们研究了各种最先进的2D和3D卷积神经网络架构的适用性，以及对该任务的轻微修改。在ACDC 2017挑战训练数据集上进行了实验，该数据集包括100名患者的心脏MR图像，其中手动参考分割可用于舒张末期（ED）和收缩末期（ES）帧。我们发现，由于切片厚度相对较大，使用2D网络以逐切片方式处理图像是有益的。然而，确切的网络架构只起次要作用。我们分别报告$0.950$（LV）、$0.893$（RV）和$0.899$（Myo）的平均Dice系数，在现代GPU上每卷的平均评估时间为1.1秒。
2017-10-10 cs.CV
Learning Shape Priors for Robust Cardiac MR Segmentation from Multi-view Images
Imperial College London（帝国理工学院）；Queen Mary University of London（伦敦玛丽女王大学）
心脏MR图像分割是心脏形态学和功能分析的基础。受经验丰富的临床医生如何在多个标准视图（即长轴和短轴视图）中评估心脏形态和功能的启发，我们提出了一种新的方法，该方法可以在不同的2D标准视图中学习解剖形状先验，并利用这些先验从短轴MR图像堆栈中分割左心室（LV）心肌。所提出的分割方法具有作为2D网络的优点，但同时结合了来自跨越3D空间的多个互补视图的空间上下文。我们的方法在不同的短轴切片（从顶点到底部）上实现了心肌的准确和鲁棒分割，优于基线模型（例如2D U-Net，3D U-Net），同时实现了更高的数据效率。与2D U-Net相比，当仅使用10%的训练数据时，所提出的方法将测试集上的顶端切片上的平均Hausdorff距离（mm）从3.24减小到2.49，中间切片上的平均Hausdorff距离从2.34减小到2.09，基底切片上的平均Hausdorff距离从3.62减小到2.76。
2019-12-17 cs.CV cs.LG eess.IV
An investigation into the impact of deep learning model choice on sex and race bias in cardiac MR segmentation
King's College London（伦敦国王学院）；HeartFlow Inc（哈特福流公司）；Guy’s and St Thomas’ Hospital（盖伊和圣托马斯医院）；Tongji University（同济大学）
该研究探讨医学影像中心脏MR分割任务里，不同深度学习模型选择对训练数据性别、种族失衡引发的算法偏差的影响，发现偏差程度与性质因模型而异，强调模型选择对训练公平医学影像分割模型的重要性。
2023-08-25 cs.CV cs.LG eess.IV
Using Foundation Models as Pseudo-Label Generators for Pre-Clinical 4D Cardiac CT Segmentation
Yale University（耶鲁大学）；University of Pennsylvania（宾夕法尼亚大学）；Washington University School of Medicine in St Louis（华盛顿大学圣路易斯医学学院）；University of South Carolina School of Medicine（南卡罗来纳大学医学院）；University of Colorado Boulder（科罗拉多大学波德分校）
针对猪心脏CT临床前分割缺乏标注且存在物种域偏移的问题，本文利用基础模型生成伪标签并通过无人工标注的迭代自训练提升分割准确性与时间一致性。
2025-05-14 cs.CV
CondenseUNet: A Memory-Efficient Condensely-Connected Architecture for Bi-ventricular Blood Pool and Myocardium Segmentation
Rochester Institute of Technology（罗切斯特理工学院）
随着心脏电影磁共振（CMR）成像的出现，由于其能够在没有电离辐射的情况下对心脏内的不同结构进行成像，医疗技术已经发生了范式转变。然而，在没有准确分割和识别左心室（LV）、右心室（RV）血池和LV心肌的情况下进行微创心脏手术的术前规划是非常具有挑战性的。然而，这些结构的手动分割是耗时的，并且往往容易出现错误和有偏见的结果。因此，自动和计算效率高的分割技术是至关重要的。在这项工作中，我们提出了一种新的内存高效的卷积神经网络（CNN）架构作为CondenseNet，实验结果表明，该架构在自动心脏诊断挑战（ACDC）数据集上运行时，内存需求仅为DenseNet的一半（50%），8%）的内存需求，同时仍然保持心脏分割的出色准确性。我们在ACDC数据集上验证了该框架，该数据集具有一个健康组和四个病理组，其心脏图像在整个心动周期内采集，并实现了96.78%（LV血池），93.46%（RV血池）和90.1%（LV心肌）的平均骰子评分。这些结果是有前途的，并促进所提出的方法作为心脏图像分割和临床参数估计的竞争工具，有可能提供快速和准确的结果，如所需的程序前规划和/或术前应用。
2020-04-05 cs.CV cs.LG eess.IV
Quantification of cardiac capillarization in single-immunostained myocardial slices using weakly supervised instance segmentation
Clemson University（克莱姆森大学）；University of Arkansas（阿肯色大学）；Medical University of South Carolina（南卡罗来纳医科大学）
本文开发了弱监督实例分割工具AutoQC，利用提示工程和预训练分割模型，仅需边界框标注即可自动识别心肌细胞和毛细血管，在性能上超越YOLOv8-Seg，实现了心脏毛细血管化的自动化定量分析。
2023-11-30 cs.CE cs.CV eess.IV
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
Istanbul Technical University（伊斯坦布尔理工大学）；King’s College London（伦敦国王学院）
医学图像中的解剖结构分割已经成功地用深度学习方法解决了一系列应用。然而，这种成功在很大程度上取决于被分割的图像的质量。在医学图像分析领域中，一个通常被忽视的问题是大量的临床图像由于器官运动、患者移动和/或图像采集相关问题而具有严重的图像伪影。在本文中，我们讨论了图像运动伪影对心脏MR分割的影响，并比较了各种方法，共同纠正伪影和分割的心腔。该方法基于我们最近开发的联合伪影检测和重建方法，该方法使用联合损失函数从k空间重建高质量的MR图像，并且通过强制执行数据一致性项，基本上将伪影校正任务转换为欠采样图像重建任务。在本文中，我们建议在端到端框架中使用与此相结合的分割网络。我们的训练优化了三个不同的任务：1）图像伪影检测，2）伪影校正和3）图像分割。我们训练重建网络，使用综合损坏的心脏MR k空间数据和未校正的重建图像自动校正运动相关伪影。使用来自英国生物库数据集的500个2D+时间电影MR采集的测试集，我们在存在合成运动伪影的情况下实现了明显良好的图像质量和高分割精度。与各种图像校正架构相比，我们展示了更好的性能。
2020-07-03 cs.CV cs.LG eess.IV
Light-weight spatio-temporal graphs for segmentation and ejection fraction prediction in cardiac ultrasound
University of Oslo（奥斯陆大学）；GE Vingmed Ultrasound（GE维ingmed超声公司）；GE Research（通用电气研究中心）
准确、一致的超声心动图参数预测对心血管疾病的诊断和治疗具有重要意义。特别地，左心室的分割可以用于导出心室容积、射血分数（EF）和其他相关测量。在本文中，我们提出了一种新的自动化方法称为EchoGraphs预测射血分数和分割左心室通过检测解剖关键点。基于图卷积网络的直接坐标回归模型被用于检测关键点。GCN可以学习基于每个关键点的局部外观以及组合的所有关键点的全局空间和时间结构来表示心脏形状。我们在EchoNet基准数据集上评估我们的EchoGraphs模型。与语义分割相比，GCN表现出准确的分割，并在鲁棒性和推理运行时间方面有所改善。EF是同时计算分割和我们的方法也获得了最先进的射血分数估计。源代码可在线获取：https://github.com/guybenyosef/EchoGraphs。
2022-07-06 cs.CV
Towards increased trustworthiness of deep learning segmentation methods on cardiac MRI
Image Sciences Institute, University Medical Center Utrecht（乌得勒支大学医学中心影像科学研究所）
当前最先进的深度学习分割方法尚未广泛进入临床环境，尽管对这种自动方法的需求很高。一个重要的原因是缺乏可靠性，这是由于模型在未被注意到的情况下失败，并且经常在局部产生医学专家不会做出的解剖学上不可信的结果。本文提出了一种基于（贝叶斯）扩张卷积网络（DCNN）的自动图像分割方法，该方法为手头的输入图像生成分割掩码和空间不确定性图。使用MICCAI 2017挑战（ACDC）的100个心脏2D MR扫描中左心室（LV）腔、右心室（RV）内膜和心肌（Myo）在舒张末期（ED）和收缩末期（ES）的分割对该方法进行了训练和评价。结合分割和不确定性地图，并采用人在循环设置，我们提供的证据表明，图像区域表示为高度不确定的关于所获得的分割几乎完全覆盖区域的不正确分割。可以利用融合的信息来提高分割性能。我们的研究结果表明，我们可以获得有价值的空间不确定性地图与低计算工作量使用DCNN。
2019-01-28 cs.CV
MCSeg: Pre-training and Fine-tuning Volumetric Pyramid Transformer for Multi-modal Cardiac Image Segmentation
Shenzhen Institute of Advanced Technology（深圳先进技术研究院）；Pengcheng Laboratory（鹏城实验室）；University of Chinese Academy of Sciences（中国科学院大学）
本研究提出MCSeg网络，通过新型SFP连接ViT编码器与CNN解码器，结合自监督预训练与RMI损失，在多模态心脏图像分割任务中优于11种SOTA方法，小样本场景也表现出色
2026-09-14 cs.CV
CardiacNET: Segmentation of Left Atrium and Proximal Pulmonary Veins from MRI Using Multi-View CNN
University of Central Florida（中佛罗里达大学）；Florida Hospital（佛罗里达医院）
左心房（LA）和近端肺静脉（PPV）的解剖和生物物理建模对于一些心脏疾病的临床管理非常重要。磁共振成像（MRI）允许通过可视化对LA和PPV进行定性评估。然而，有一个先进的图像分割方法应用于心脏MRI的LA和PPV的定量分析是一个强烈的需求。在这项研究中，我们通过探索一种新的基于深度学习的分割策略来解决这一未满足的临床需求，该策略用于以高准确度和高效率量化LA和PPV。我们的方法是基于一个多视图卷积神经网络（CNN）与自适应融合策略和一个新的损失函数，允许快速和更准确的收敛的反向传播为基础的优化。在使用超过60K的2D MRI图像（切片）从头开始训练我们的网络之后，我们已经根据STACOM 2013心脏分割挑战基准评估了我们的分割策略。从分割挑战中获得的定性和定量评估表明，所提出的方法达到了最先进的灵敏度（90%），特异性（99%），精度（94%）和效率水平（GPU中10秒，CPU中7.5分钟）。
2017-05-19 cs.CV stat.ML
Neural Multi-Atlas Label Fusion: Application to Cardiac MR Images
Xi’an Jiaotong University（西安交通大学）；National Engineering Laboratory for Big Data Algorithm and Analysis Technology（大数据算法与分析技术国家工程实验室）；Shanghai Jiaotong University（上海交通大学）
多图谱分割方法是生物医学领域中应用最广泛的图像分割技术之一。在这类方法中存在两个主要挑战，即，图谱选择和标签融合。在本文中，我们提出了一种新的多图谱分割方法，该方法在深度学习框架中制定多图谱分割，以更好地解决这些挑战。所提出的方法，被称为深度融合网络（DFN），是一种深度架构，它集成了一个特征提取子网和一个非本地的基于补丁的标签融合（NL-PLF）子网在一个单一的网络。通过端到端训练来学习网络参数，以自动学习深度特征，从而在NL-PLF框架中实现最佳性能。所学习的深度特征被进一步用于定义用于图谱选择的相似性度量。通过对SATA-13和LV-09两个公共心脏MR数据集的左心室分割评估，我们的方法在SATA-13数据集上的平均Dice度量（ADM）达到0.833，在LV-09数据集上的心外膜分割ADM达到0.95，与其他自动左心室分割方法相比，我们的方法是有利的。我们还在MICCAI 2013 SATA Segmentation Challenge的Cardiac Atlas Project（CAP）测试集上测试了我们的方法，我们的方法在ADM中达到了0.815，在撰写本文时排名最高。
2018-08-01 cs.CV
DADU: Dual Attention-based Deep Supervised UNet for Automated Semantic Segmentation of Cardiac Images
Kent State University（肯特州立大学）
针对心脏磁共振图像分割任务，提出DADU模型，通过集成UNet、双注意力机制、边缘检测跳跃连接与深度监督，实现左右心室及心肌瘢痕组织的自动分割，Dice系数达98%且性能优于现有技术。
2025-04-18 cs.AI cs.CV cs.LG
Addressing Class Imbalance in Semi-supervised Image Segmentation: A Study on Cardiac MRI
Jadavpur University（贾达布尔大学）
由于数据的不平衡和有限性，半监督医学图像分割方法往往不能对某些特定的尾类产生优越的性能。对这些特定类的训练不足可能会给生成的伪标签带来更多噪音，影响整体学习。为了缓解这一缺点并识别表现不佳的类，我们建议维护一个置信度数组，该数组在训练期间记录类的性能。这些置信度分数的模糊融合，提出了自适应地优先考虑在每个样本，而不是传统的集成方法，其中一组预定义的固定权重被分配给所有的测试用例的个人的置信度。此外，我们引入了一个强大的类明智的采样方法和动态稳定更好的训练策略。我们提出的方法考虑了所有表现不佳的类，并尝试在训练过程中去除大部分噪声。在两个心脏MRI数据集，ACDC和MMWHS的评价，我们提出的方法显示出有效性和普遍性，并优于几个国家的最先进的方法在文献中找到。
2022-08-31 cs.CV
Multi-Scale Fully Convolutional Network for Cardiac Left Ventricle Segmentation
Capital Normal University（首都师范大学）；Beijing Advanced Innovation Center for Imaging Technology（北京成像理论与技术高精尖创新中心）
从心脏磁共振图像中分割出的左心室形态结构可用于计算临床关键参数，对心血管疾病的准确、高效诊断具有重要意义。与传统方法相比，基于全卷积神经网络的分割算法大大提高了语义分割的准确率。针对左心室分割问题，提出了一种新的全卷积神经网络结构MS-FCN。MS-FCN网络采用多尺度池化模块来确保网络最大化特征提取能力，并使用密集连接解码器来细化对象的边界。基于MICCAI 2009挑战赛提供的Sunnybrook cine-MR数据集，数值实验表明，我们提出的模型获得了最先进的分割结果：我们的方法的Dice得分达到0.93的内膜，和0.96的心外膜。
2018-09-19 cs.CV cs.LG stat.ML
Convolutional Feature Noise Reduction for 2D Cardiac MR Image Segmentation
College of Computer Science, Sichuan Normal University（四川师范大学计算机科学学院）；School of Computing and Artificial Intelligence, Southwest Jiaotong University（西南交通大学计算机科学与人工智能学院）；Visual Computing and Virtual Reality Key Laboratory of Sichuan Province（四川省视觉计算与虚拟现实重点实验室）
本研究提出卷积特征滤波器（CFF）用于减少二维心脏磁共振图像分割中的噪声，通过实验验证其有效性并分析信息熵变化。
2025-11-28 cs.CV
Bidirectional Fusion Guided by Cardiac Patterns for Semi-Supervised ECG Segmentation
VUNO Inc.（VUNO公司）
本文提出CardioMix框架，通过心脏模式引导的双向CutMix策略提升ECG分割性能，实验表明其在多种数据集和标注比例下均优于现有方法。
2026-05-15 cs.AI cs.CV cs.LG
Automatic 3D bi-ventricular segmentation of cardiac images by a shape-refined multi-task deep learning approach
Imperial College London（帝国理工学院）；MRC London Institute of Medical Sciences（MRC伦敦医学科学研究所）；National Heart and Lung Institute（国家心肺研究所）
深度学习方法在心脏磁共振（CMR）图像分割方面已达到最先进的性能。然而，大多数方法都集中在学习图像强度特征分割，而纳入解剖形状先验得到较少的关注。在本文中，我们将多任务深度学习方法与图谱传播相结合，为短轴CMR体积图像开发了一个形状约束的双心室分割管道。该管道首先采用全卷积网络（FCN），同时学习分割和地标定位任务。所提出的FCN的架构使用2.5D表示，从而结合了2D FCN网络的计算优势和解决3D空间一致性而不影响分割精度的能力。此外，细化步骤被设计为明确地执行形状约束并提高分割质量。该步骤对于克服图像伪影（例如，由于不同的屏气位置和大的切片厚度）是有效的，图像伪影妨碍了解剖学上有意义的3D心脏形状的创建。由于网络能够推断地标，因此所提出的管道是完全自动化的，然后在管道的下游使用地标来初始化图谱传播。我们在1831名健康受试者和649名肺动脉高压受试者中验证了管道。两个数据集上的大量数值实验表明，我们提出的方法是强大的，能够产生准确的，高分辨率和解剖学上光滑的双心室3D模型，尽管在输入CMR体积的伪影。
2019-07-13 cs.AI cs.CV
Self-Supervised Learning for Cardiac MR Image Segmentation by Anatomical Position Prediction
Imperial College London（伦敦帝国理工学院）；Queen Mary University of London（伦敦玛丽女王大学）
近年来，卷积神经网络由于其学习用于各种分类和回归任务的判别图像特征的能力而改变了医学图像分析领域。然而，成功地学习这些功能需要大量的手动注释的数据，这是昂贵的获取和专家图像分析师的可用资源的限制。因此，无监督、弱监督和自监督特征学习技术受到了广泛关注，其目的是利用大量可用数据，同时避免或大大减少人工注释的工作。在本文中，我们提出了一种新的方法来训练心脏MR图像分割网络，其中特征是通过预测解剖位置以自监督的方式学习的。解剖位置用作监督信号，不需要额外的手动注释。我们证明，这个看似简单的任务为特征学习提供了一个强有力的信号，并且通过自监督学习，我们实现了高分割精度，优于或相当于从头开始训练的U-网络，特别是在小数据设置下。当只有五个注释的主题是可用的，所提出的方法提高了平均骰子度量从0.811到0.852的短轴图像分割，相比基线U-网。
2019-07-05 cs.CV
Rate-My-LoRA: Efficient and Adaptive Federated Model Tuning for Cardiac MRI Segmentation
Rutgers University（罗格斯大学）；Walmart Global Tech（沃尔玛全球科技）；New York University School of Medicine（纽约大学医学院）
针对心脏 MRI 分割中的隐私、带宽与数据异质性问题，提出基于 LoRA 的自适应联邦微调及 Rate-My-LoRA 聚合方法，降低通信开销并提升跨客户端泛化性能。
2025-01-06 cs.CV cs.DC cs.LG
Automated Quality Control in Image Segmentation: Application to the UK Biobank Cardiac MR Imaging Study
Biomedical Image Analysis Group, Department of Computing, Imperial College London（帝国理工学院计算机系生物医学图像分析组）；Division of Brain Sciences, Dept. of Medicine, Imperial College London（帝国理工学院医学部脑科学系）；GlaxoSmithKline Research and Development（葛兰素史克研发部）；William Harvey Research Institute, NIHR Barts Biomedical Research Centre, Queen Mary University of London（伦敦玛丽女王大学威廉·哈维研究所（NIHR巴茨生物医学研究中心））；Barts Heart Centre, Barts Health NHS Trust（巴茨健康国民医疗服务信托基金巴茨心脏中心）；Division of Cardiovascular Medicine, Radcliffe Department of Medicine, University of Oxford（牛津大学拉德克利夫医学部心血管医学系）；Department of Radiology, Severance Hospital, Yonsei University College of Medicine（延世大学医学院塞弗伦斯医院放射科）；UK Dementia Research Institute, Imperial College London（帝国理工学院英国痴呆症研究所）
背景：包括群体成像在内的大规模研究的趋势对质量控制（QC）提出了新的挑战。当采用自动处理工具（例如，图像分割方法）来导出定量测量或生物标志物以用于后续分析时，这是一个特别的问题。人工检查和视觉质量控制的每个分割是不可行的，在大规模。然而，重要的是能够自动检测分割方法何时失败，以避免将错误的测量结果包含到后续分析中，这可能导致不正确的结论。研究方法：为了克服这一挑战，我们探索了一种基于反向分类准确度预测分割质量的方法，该方法使我们能够在每个案例的基础上区分成功和失败的分割。我们在一组新的、大规模手动注释的4，800次心脏磁共振扫描上验证了这种方法。然后，我们将我们的方法应用于7，250个心脏MRI的大型队列，我们已经对其进行了手动QC。结果：我们报告的结果用于预测分割质量指标，包括骰子相似系数（DSC）和表面距离的措施。作为初步验证，我们目前的数据400扫描证明99%的准确性分类低和高质量的分割使用预测的DSC分数。作为进一步的验证，我们显示了真实和预测分数之间的高度相关性，以及4，800次扫描的95%分类准确度，其中手动分割可用。我们在7，250个心脏MRI上模拟了该方法的真实应用，其中我们在预测的质量指标和手动视觉QC评分之间显示出良好的一致性。结论：我们表明，RCA有可能在大规模人群成像的背景下，在英国生物银行成像研究的基础上，每例准确和全自动分割QC。
2019-01-27 cs.CV
VIDS-Seg: Towards Reliable Uncertainty Quantification in Pediatric Cardiac Ultrasound Segmentation
University of Basel（巴塞尔大学）
该研究提出VIDS-Seg方法，在成人超声数据集训练后零样本应用于儿科心脏超声分割，可可靠检测模型在儿科亚群的隐性失效，兼具分割精度与不确定性匹配优势。
2026-08-12 cs.CV cs.LG
$ν$-net: Deep Learning for Generalized Biventricular Cardiac Mass and Function Parameters
Hannover Medical School（汉诺威医学院）；German Center for Lung Research（德国肺研究中心）；Johannes Gutenberg University（约翰内斯·古腾堡大学）
背景资料：心脏MRI衍生的双心室质量和功能参数，如收缩末期容积（ESV）、舒张末期容积（EDV）、射血分数（EF）、每搏输出量（SV）和心室质量（VM）在临床上已得到充分确立。由于人类心脏的复杂解剖结构，图像分割可能具有挑战性且耗时。目的：本研究介绍了$ν$ -net（/nju：n $\varepsilon$ t/）-一种深度学习方法，可对右心室（RV）和左心室（LV）内膜和心外膜进行全自动高质量分割，以提取心功能参数。方法：使用253个人工分割的病例集对深度神经网络进行训练。随后，在4个不同的多中心数据集上对该网络进行了评价，总计超过1000例。结果如下：对于LV EF，相应数据集的组内相关系数（ICC）为98、95和80%（95%），RV EF为96和87%（80%）（括号中报告了人类专家ICC）。LV VM ICC为95和94%（84%），RV VM ICC为83和83%（54%）。本研究提出了一个简单的调整程序，允许适应不同的分割哲学。$ν$ -net在骰子系数方面表现出最先进的性能。结论：通过应用深度神经网络进行心脏MRI分割，可以可靠地确定双心室质量和功能参数，特别是在解剖结构复杂的右心室中。通过应用简单的调整程序来适应个体分割样式是可行的，允许处理新数据而无需耗时的额外训练。
2017-06-14 cs.CV stat.ML
Automatic Right Ventricle Segmentation using Multi-Label Fusion in Cardiac MRI
University College London（伦敦大学学院）；Centre for Medical Image Computing（医学图像计算中心）
右心室的准确分割是评价心室结构和功能的关键步骤。然而，由于其复杂的解剖结构和运动，RV的分割没有像左心室那样被大量研究。本文提出了一种全自动的心脏磁共振图像（MRI）的RV分割方法。该方法使用一个粗到细的分割策略结合多图谱传播分割框架。基于互相关度量，我们的方法选择最好的地图集进行传播，允许在每次迭代的传播细分的细化。在心脏MRI中RV分割挑战提供的32个心脏MRI数据集上对所提出的方法进行了评估。
2020-04-05 cs.CV eess.IV
Automatic segmentation with detection of local segmentation failures in cardiac MRI
Amsterdam UMC, University of Amsterdam（阿姆斯特丹大学阿姆斯特丹大学医学中心）；Amsterdam University Medical Center, University of Amsterdam（阿姆斯特丹大学阿姆斯特丹大学医学中心）；University Medical Center Utrecht（乌得勒支大学医学中心）
心脏磁共振图像（CMRI）中心脏解剖结构的分割是心血管疾病自动诊断和预后的前提。为了提高分割方法的鲁棒性和性能，本研究结合自动分割和CMRI中的分割不确定性评估来检测包含局部分割失败的图像区域。三个最先进的卷积神经网络（CNN）进行了训练，以自动分割心脏解剖结构，并获得两个预测不确定性的措施：熵和MC-dropout导出的措施。此后，使用不确定性训练另一个CNN以检测可能需要专家校正的局部分割失败。最后，对检测区域进行人工校正。使用来自MICCAI 2017 ACDC挑战赛的公开可用CMR扫描，研究了CNN架构和损失函数对分割的影响以及不确定性度量。使用手动和自动分割之间的Dice系数和3D Hausdorff距离评估性能。实验表明，自动分割与模拟手动校正检测到的分割失败相结合，导致统计上显着的性能提高。
2020-11-13 cs.CV eess.IV
Automatic diagnosis of cardiac magnetic resonance images based on semi-supervised learning
School of Information and Electrical Engineering, Hunan University of Science and Technology（湖南科技大学信息与电气工程学院）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；Guilin Medical University（桂林医学院）；Rucheng County Hospital of Traditional Chinese Medicine（汝城县中医医院）
本文提出一种半监督心脏MRI分割与辅助诊断模型，仅需少量标注数据即可实现高精度分割、特征提取、指标计算和疾病预测，辅助医生诊断，实验验证了其高准确性和应用价值。
2024-05-23 cs.CV eess.IV
