.png){kind=icon}
返回
NIMOSEF: Neural Implicit Motion and Segmentation Functions
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-05141-7_43.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出NIMOSEF，一种新颖的统一框架，利用神经隐式函数进行心脏磁共振成像（CMRI）的联合分割、重建和位移场估计。通过利用共享隐式表示进行联合分割和运动估计，我们的方法在空间-时间一致性方面优于传统的基于网格的卷积神经网络和隐式分割函数。NIMOSEF采用自解码器架构，从图像强度和参考分割中导出的非结构化点云学习特定于受试者的潜在表示。这些潜在代码与4D时空坐标结合，能够生成高分辨率分割输出和平滑、时间一致的运动估计。在UK Biobank中700名随机患者子集上的实验评估表明，我们的方法实现了具有竞争力的分割精度——左心室（LV）的Dice分数高达0.93，右心室（RV）为0.90，左心室心肌为0.83，且空间-时间一致性得到改善，预测的断开组件数量更少。同时，它实现了整个心脏边界的平均配准误差为3.08 ± 1.23 mm（通过Chamfer距离测量），以及95百分位Hausdorff距离为8.57 ± 4.74 mm。此外，特征重要性分析表明，学习的隐式表示编码了生理相关信息。这些结果表明，NIMOSEF为高分辨率、时间一致的心脏分割和运动估计提供了一种有前景的替代方案，并有望推进心脏功能临床评估的进展。
Keyword:
Implicit functions
Segmentation
CMRI
Registration
期刊
机构
引用论文
DeepSDF: Learning Continuous Signed Distance Functions for Shape RepresentationDeepSDF: 学习用于形状表示的连续符号距离函数
PREAI
分享收藏Arguments for the unsuitability of convolutional neural networks for non-local tasks.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏Deep Learning Techniques for Automatic MRI Cardiac Multi-Structures Segmentation and Diagnosis: Is the Problem Solved?用于自动MRI心脏多结构分割和诊断的深度学习技术: 问题解决了吗？OAAI
OAAI分享收藏
查看更多内容