SegMorph:对心脏MRI序列的同时运动估计和细分
IEEE transactions on medical imaging
|August 5, 2024
概括
我们开发了SegMorph,这是一个新的反复变异网络,用于心脏MRI中的同时细分和运动估计. 这种先进的模型提高了电影MRI序列中的两个任务的准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管研究研究心血管研究
背景情况:
- 心脏影像磁共振成像 (CMR) 对于诊断心脏病至关重要.
- 准确的细分和运动估计对于对心脏功能的定量分析至关重要.
- 现有的方法往往难以从动态CMR序列中同时精确地估计分段和运动.
研究的目的:
- 介绍SegMorph,一种新的反复变异网络,旨在在CMR序列中同时进行细分和运动估计.
- 为了利用一个反复的潜伏空间来捕捉时间空间特征,用于多任务推理.
- 通过它们的协同作用来提高细分和运动估计的性能.
主要方法:
- 开发了SegMorph,这是一个基于变量自动编码器框架的反复变量网络.
- 利用一个反复的潜伏空间与一个从时间输入中学到的先验来捕捉时空动态.
- 采用多分支解码器用于并发的双心室细分和运动估计.
- 集成的运动估计作为伪地面真相进行细分,并使用细分来预测变形向量场 (DVFs) 进行运动估计.
主要成果:
- 在分段和运动估计任务中,SegMorph超越了最先进的方法,实现了卓越的定性和定量结果.
- 实现了81%的平均子相似系数 (DSC) 和小于3.5mm的豪斯多夫距离进行细分.
- 获得了超过79%的DSC运动估计,最小的负雅可比决定因素 (约. 0.14%) 在估计的DVFs.
结论:
- SegMorph有效地在CMR序列上执行并发细分和运动估计.
- 经常性的潜伏空间和多任务学习方法显著提高了性能.
- 拟议的方法提供了一个强大而准确的解决方案,用于从电影MRI对心脏功能进行定量分析.
