摘要
目的 心脏磁共振成像(magnetic resonance imaging,MRI)的自动分割技术有利于在临床诊断中评估心脏的功能参数.然而由于心脏磁共振成像技术产生的图像边界不清晰、各向分辨率异性等特性,现有的大多数方法依旧存在类内不确定、类间不清晰问题.针对这一问题,提出了一种利用时间信息进行特征增强,并利用空间信息进行特征矫正的多输入、多分支和多任务的分割网络(spatio-temporal UNet,ST UNet).方法 为充分获取动态心脏MRI图像的时间信息,提出了全新的时间增强编码模块,将需要进行分割的目标帧和一段包含了目标帧的连续时间片段作为关键序列一同输入网络.关键序列用于获取更丰富的时间特征,目标帧提供更精准的边缘特征.为了聚集更多有益的特征,更好地融合时域特征和边缘特征,采用可变形全局连接代替传统的长连接,为网络的解码部分提供更广泛的多维特征信息.在训练过程中额外学习空间方向场特征,并使用该特征对原有的分割结果进行矫正.结果 在ACDC(Automated Cardiac Diagnosis Challenge)心脏分割挑战中,以Dice系数和HD(Hausdorff dis-tance)距离为评价指标,该方法在左心室、右心室和左心肌分割的平均Dice系数分别为95％、91.5％和91％,HD距离的平均值分别为6.77、11.39和8.54.结论 实验表明,提出的新型网络能够充分地利用心脏MRI图像的时空信息,有效地提升目标器官的分割效果,更有助于医生对于心脏诊断.
基金项目
江苏省自然科学基金优秀青年项目(BK20190079)
NETL
NSTL
维普
万方数据