Left Ventricle Segmentation in Cardiac MR Images Using Fully Convolutional Network.

Abstract:

医学图像分析，尤其是特定器官的分割，在发展临床决定支持系统中起着重要的作用。在心脏MRI中，分割左右心室帮助内科医生诊断不同的心脏疾病。针对这个任务有一些挑战，包括左心室和其他器官之间的亮度和形状的相似性，在多数图片中不准确的边界和噪声的形状。在本文中，我们提出了一种自动方法用于在心脏MRI中分割左心室。我们首先自动提取ROI，然后使用它作为FCN的输入。我们准确地训练了网络尽管与整张图片相比较左心室的像素数数量少。阈值化FCN的输出，and selection of regions based on their roundness are performed in our proposed post-processing phase. 我们方法的Dice score 达到了87.24%通过应用这个算法在心脏图片中的York数据集上。

1. INTRODUCTION

医学图像分析和分割在图像处理领域是巨大的挑战（需要很高的准确度因为它与人类健康有关）。一个典型的例子是在CMRI中左心室的分割。一些心脏的属性例如射血分数，左心室的体积和心室壁的厚度帮助内科医生评估心血管功能和诊断疾病。因为手动分割是一项繁杂的，易错的并且耗时的任务，自动的或者是半自动的分割有助于内科医生下决定。然而，面对CMRI中的LV的分割有一些挑战，在CMRI中分割LV的基本挑战之一是心脏物体强度分布与周围背景的不可忽略的重叠。尽管与帧的其他像素相比，属于心脏的像素数量极少，但LV的形状在切片和相位上变化。边界是分厂不准确的尤其是在实时图像中存在固有噪声。过去提出来的一系列自动计算LV属性的方法可以被分为3类：（1）使用前面的信息。（2）基于自动定位心脏的方法。（3）使用分割技术的方法。在分割类别中有许多方法例如区域生长，边缘检测，形变模型，active shape model (ASM), active appearance model (AAM), atlas based model and pixel classification model [2-8]。......

在这篇文章中我们提出了一种LV分割方法。此方法有四个主要阶段：（1）预处理。（2）ROI extraction that is based on heart movement。（3）Training a fully convolutional network (FCN) [11] which is a new architecture of CNN designed for semantic segmentation。（4）Post-processing which selects a proper region based on its roundness。