La segmentación miocárdica de imágenes de resonancia magnética etiquetadas con aprendizaje por transferencia utilizando la transformación de conjunto de datos generativo de cine a etiquetado
Autores: Dhaene, Arnaud P.; Loecher, Michael; Wilson, Alexander J.; Ennis, Daniel B.
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
La segmentación miocárdica de imágenes de resonancia magnética etiquetadas con aprendizaje por transferencia utilizando la transformación de conjunto de datos generativo de cine a etiquetado
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Aprendizaje profundo
Segmentación
Resonancia magnética cardíaca
Deformación miocárdica
Modelos de DL
Miocardio
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
El uso de la segmentación de aprendizaje profundo (DL) en resonancia magnética cardíaca tiene el potencial de agilizar el flujo de trabajo de radiología, especialmente para la medición de la deformación del miocardio. Los esfuerzos recientes en modelos de seguimiento de movimiento de DL han reducido drásticamente el tiempo necesario para medir el campo de desplazamiento del corazón y la estimación subsiguiente de la deformación del miocardio. Sin embargo, la selección de puntos de referencia inicial del miocardio no está automatizada y aún requiere la entrada manual de expertos en el dominio. La segmentación del miocardio es un paso clave para inicializar los puntos de referencia. Aunque existen modelos de segmentación del miocardio de alto rendimiento para imágenes, este no es el caso para imágenes etiquetadas. En este trabajo, desarrollamos y comparamos dos modelos de DL novedosos (nnU-net y Segmentation ResNet VAE) para la segmentación del miocardio a partir de imágenes CMR etiquetadas. Implementamos dos métodos para transformar imágenes cardíacas en imágenes etiquetadas, lo que nos permitió aprovechar grandes conjuntos de datos anotados públicos. Los métodos de cine a etiquetado incluyeron (i) un modelo de transformación impulsado por la física novedoso y (ii) un modelo de transferencia de estilo de red generativa adversaria (GAN). Mostramos que los modelos preentrenados tienen un mejor rendimiento (+2,8 puntos porcentuales de coeficiente de Dice) y convergen más rápido (6 veces) que los modelos entrenados desde cero. El método de mejor rendimiento se basa en un preentrenamiento con un modelo generativo no emparejado, sin etiquetar y que conserva la estructura, entrenado para transformar imágenes en sus equivalentes con apariencia etiquetada. Nuestra red de segmentación de miocardio de última generación alcanzó un coeficiente de Dice de 0,828 y una distancia de Hausdorff del percentil 95 de 4,745 mm en un conjunto de pruebas retenido. Este rendimiento es comparable a las redes de segmentación de última generación existentes para imágenes.
Descripción
El uso de la segmentación de aprendizaje profundo (DL) en resonancia magnética cardíaca tiene el potencial de agilizar el flujo de trabajo de radiología, especialmente para la medición de la deformación del miocardio. Los esfuerzos recientes en modelos de seguimiento de movimiento de DL han reducido drásticamente el tiempo necesario para medir el campo de desplazamiento del corazón y la estimación subsiguiente de la deformación del miocardio. Sin embargo, la selección de puntos de referencia inicial del miocardio no está automatizada y aún requiere la entrada manual de expertos en el dominio. La segmentación del miocardio es un paso clave para inicializar los puntos de referencia. Aunque existen modelos de segmentación del miocardio de alto rendimiento para imágenes, este no es el caso para imágenes etiquetadas. En este trabajo, desarrollamos y comparamos dos modelos de DL novedosos (nnU-net y Segmentation ResNet VAE) para la segmentación del miocardio a partir de imágenes CMR etiquetadas. Implementamos dos métodos para transformar imágenes cardíacas en imágenes etiquetadas, lo que nos permitió aprovechar grandes conjuntos de datos anotados públicos. Los métodos de cine a etiquetado incluyeron (i) un modelo de transformación impulsado por la física novedoso y (ii) un modelo de transferencia de estilo de red generativa adversaria (GAN). Mostramos que los modelos preentrenados tienen un mejor rendimiento (+2,8 puntos porcentuales de coeficiente de Dice) y convergen más rápido (6 veces) que los modelos entrenados desde cero. El método de mejor rendimiento se basa en un preentrenamiento con un modelo generativo no emparejado, sin etiquetar y que conserva la estructura, entrenado para transformar imágenes en sus equivalentes con apariencia etiquetada. Nuestra red de segmentación de miocardio de última generación alcanzó un coeficiente de Dice de 0,828 y una distancia de Hausdorff del percentil 95 de 4,745 mm en un conjunto de pruebas retenido. Este rendimiento es comparable a las redes de segmentación de última generación existentes para imágenes.