A Fully Convolutional Neural Network for Cardiac Segmentation in Short-Axis MRI

Abstract：磁共振成像数据集的自动心脏分割是及时诊断和管理心脏病变的重要步骤。我们建议通过应用deepFCN架构来解决自动左心室和右心室分割的问题。我们的模型在整个图像输入和ground-truth的单一学习阶段进行端到端的高效训练，以便在每个像素处进行推理。据我们所知，这是完全卷积神经网络结构的第一个应用，用于CMRI中的像素标记。此外，我们的模型速度快，可以利用商品计算资源（如GPU）实现大规模的最先进的心脏分割。模型和代码获得：https://github.com/vuptran/cardiac-segmentation 。

1 Introduction

根据世界卫生组织*，心血管疾病是全球死亡的首要原因。心脏病理学的管理通常依赖于许多心脏成像模态，其包括超声心动图，计算机断层扫描和磁共振成像（MRI）。目前的黄金标准是通过推导临床参数，如心室容积，每搏输出量，射血分数和心肌质量，利用非侵入cine MRI定量分析全球和区域心脏功能。这些参数的计算取决于在短轴堆叠中对左心室（LV）和右心室（RV）的心内膜和心外膜轮廓的精确手动描绘。手动描绘是一项耗时且繁琐的任务，也容易导致观察者内部和观察者间的高度变化（Petitjean和Dacher，2011; Miller等，2013; Tavakoli和Amini，2013; Suinesiaputra等，2014） 。因此，需要一种快速，准确，可再现且全自动的心脏分割方法，以帮助促进心血管疾病的诊断。
 

我们在本文中的贡献是对由左右心室组成的多个基准MRI数据集上的卷积神经网络（CNN）架构进行综合评估。CNN架构的基本组件包括可训练的过滤器，可以以受监督的方式自动学习训练集中的复杂特征和概念，而无需特征工程或硬编码先验知识。... 我们表明，CNN变体的创造性应用，完全卷积神经网络（FCN），在多个站点和不同扫描仪获得的短轴心脏MRI中实现了最先进的语义分割。所提出的FCN架构在单个学习阶段中在图形处理单元（GPU）上进行端到端的有效训练，以在每个像素处进行推断，通常称为像素标记或每像素分类。在测试时，模型以毫秒为单位独立分割每个图像，因此可以在CPU，GPU或两者的集群上并行部署，以实现可扩展和准确的心室分割。

2. Previous Work

2.3 Fully Convolutional Neural Networks

CNN是端到端训练的监督模型，可以自动学习特征的层次结构，而不需要求助于复杂的输入预处理，输出后处理和特征工程方案，从而产生强大的分类和回归性能。

3 Experimental Framework