Multi-task Swin Transformer for Motion Artifacts Classification and Cardiac Magnetic Resonance Image Segmentation

要約

心臓磁気共鳴画像は、心臓の解剖学的構造と機能を評価するために一般的に使用されています。心疾患の診断には、左心室と右心室の血液プールと左心室の心筋の描出が重要である。しかし、CMR の撮影中に患者が動くと、モーションアーチファクトが画像に現れることがある。このようなアーチファクトは、CMR画像の診断品質を低下させ、手技のやり直しを余儀なくされる。本論文では、CMRxMotionチャレンジの2つのタスクを同時に解決するためのマルチタスクSwin UNEt TRansformerネットワークを紹介する。CMRのセグメンテーションとモーションアーチファクトの分類である。我々は、セグメンテーションと分類の両方をマルチタスク学習アプローチとして利用し、CMRの診断品質の決定とマスクの生成を同時に行うことを可能にする。CMR画像は3つの診断品質クラスに分類され、一方、重度でないモーションアーチファクトのあるサンプルは全てセグメンテーションされている。5-Fold Cross-validation を用いて学習した5つのネットワークのアンサンブルは、DICE係数0.871のセグメンテーション性能と0.595の分類精度を達成した。

要約(オリジナル)

Cardiac Magnetic Resonance Imaging is commonly used for the assessment of the cardiac anatomy and function. The delineations of left and right ventricle blood pools and left ventricular myocardium are important for the diagnosis of cardiac diseases. Unfortunately, the movement of a patient during the CMR acquisition procedure may result in motion artifacts appearing in the final image. Such artifacts decrease the diagnostic quality of CMR images and force redoing of the procedure. In this paper, we present a Multi-task Swin UNEt TRansformer network for simultaneous solving of two tasks in the CMRxMotion challenge: CMR segmentation and motion artifacts classification. We utilize both segmentation and classification as a multi-task learning approach which allows us to determine the diagnostic quality of CMR and generate masks at the same time. CMR images are classified into three diagnostic quality classes, whereas, all samples with non-severe motion artifacts are being segmented. Ensemble of five networks trained using 5-Fold Cross-validation achieves segmentation performance of DICE coefficient of 0.871 and classification accuracy of 0.595.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL