Improved 3D Whole Heart Geometry from Sparse CMR Slices

要約

心臓磁気共鳴 (CMR) イメージングとコンピューター断層撮影 (CT) は、心血管疾患患者を評価するための 2 つの一般的な非侵襲的イメージング方法です。
CMR は通常、複数のまばらな 2D スライスを取得しますが、スライス間の呼吸運動アーチファクトは避けられません。一方、CT は等方性の密なデータを取得しますが、電離放射線を使用します。
この研究では、スライス シフト アルゴリズム (SSA)、空間トランスフォーマー ネットワーク (STN)、およびラベル トランスフォーマー ネットワーク (LTN) の組み合わせを検討して、1) セグメント化されたスライス間の呼吸運動を修正し、2) 疎なセグメンテーション データを密なセグメンテーション データに変換します。
セグメンテーション。
すべての組み合わせは、1699 件の CT から生成された合成モーション破損 CMR スライス セグメンテーションを使用して検証され、高密度 CT がグランド トゥルースとして機能します。
199 件のテスト ケースにおいて、SSA-LTN はダイス スコアとファースドルフ距離に関して最高の結果 (それぞれ 94.0% と 4.7 mm、5 つのラベルの平均) を達成しましたが、8 件のケースでトポロジー エラーが発生しました。
STN は、全体的なパフォーマンスへの影響を最小限に抑えながら、すべてのトポロジー エラーを修正するためのプラグイン ツールとして効果的でした (それぞれ 93.5% と 5.0 mm)。
SSA は、STN ベースと LTN ベースの両方のモデルよりもパフォーマンスを向上させる、価値のあるプラグイン ツールであることも証明されています。
これらのさまざまな組み合わせのコードは、https://github.com/XESchong/STACOM2024 で入手できます。

要約(オリジナル)

Cardiac magnetic resonance (CMR) imaging and computed tomography (CT) are two common non-invasive imaging methods for assessing patients with cardiovascular disease. CMR typically acquires multiple sparse 2D slices, with unavoidable respiratory motion artefacts between slices, whereas CT acquires isotropic dense data but uses ionising radiation. In this study, we explore the combination of Slice Shifting Algorithm (SSA), Spatial Transformer Network (STN), and Label Transformer Network (LTN) to: 1) correct respiratory motion between segmented slices, and 2) transform sparse segmentation data into dense segmentation. All combinations were validated using synthetic motion-corrupted CMR slice segmentation generated from CT in 1699 cases, where the dense CT serves as the ground truth. In 199 testing cases, SSA-LTN achieved the best results for Dice score and Huasdorff distance (94.0% and 4.7 mm respectively, average over 5 labels) but gave topological errors in 8 cases. STN was effective as a plug-in tool for correcting all topological errors with minimal impact on overall performance (93.5% and 5.0 mm respectively). SSA also proves to be a valuable plug-in tool, enhancing performance over both STN-based and LTN-based models. The code for these different combinations is available at https://github.com/XESchong/STACOM2024.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google