核心概念
利用多序列心臟磁共振影像(LGE、T2、bSSFP)和級聯精煉CNN模型,可以準確分割出左右心室、健康心肌組織、心肌梗死疤痕和水腫等關鍵結構,為心肌活力評估和個性化治療規劃提供重要依據。
摘要
本文提出了一種名為Multi-Sequence Cascading Refinement CNN (MS-CaRe-CNN)的方法,用於從多序列心臟磁共振影像(LGE、T2、bSSFP)中分割出心臟解剖結構和心肌病變。
MS-CaRe-CNN採用兩階段的CNN級聯架構。第一階段預測左右心室和整個心肌,不考慮心肌組織活力。第二階段進一步精煉第一階段的預測結果,區分出健康心肌組織、梗死疤痕和水腫。
為了應對訓練集和測試集之間的域差異,作者採用了強大的空間和強度增強技術,增加了可觀察特徵表示的多樣性。
在CARE2024挑戰賽的MyoPS++賽道上,作者的5折集成模型在心肌梗死疤痕分割上取得了62.31%的DSC和82.65%的精確度,在梗死疤痕和水腫聯合分割上取得了63.78%的DSC和87.69%的精確度,這些結果對於這些小而具有挑戰性的結構來說都是非常可喜的。
這種能夠準確區分心肌組織活力的語義分割結果,可以為個性化心臟治療規劃提供重要依據。
統計資料
心肌梗死疤痕分割的DSC為62.31%,精確度為82.65%。
心肌梗死疤痕和水腫聯合分割的DSC為63.78%,精確度為87.69%。