عنوان انگلیسی:
A new ASM framework for left ventricle segmentation exploring slice variability in cardiac MRI volumes
عنوان فارسی:
رویکردی جدید از مدل شکل فعال برای تقسیم بندی (بخش بندی) بطن سمت چپ با استفاده از بررسی قابلیت تغییرپذیری برش در توده های ام آر آی قلب
تعداد صفحات مقاله اصلی: 12 صفحه
تعداد صفحات ترجمه: 38 صفحه
سال انتشار: 2016
مجله
Neural Comput & Applic
DOI 10.1007/s00521-016-2337-1
Abstract Three-dimensional active shape models use a set of annotated volumes to learn a shape model. Using unique landmarks to define the surface models in the training set,the shape model is able to learn the expected shape and variation modes of the segmentation. This information is then used during the segmentation process to impose shape constraints. A relevant problem in which these models are used is the segmentation of the left ventricle in 3D MRI volumes. In this problem, the annotations correspond to a set of contours that define the LV border at each volume slice. However, each volume has a different number of
slices (thus, a different number of landmarks), which makes model learning difficult. Furthermore, motion artifacts and the large distance between slices make interpolation of voxel intensities a bad choice when applying the learned model to a test volume. These two problems raise the following questions: (1) how can we learn a shape model from volumes with a variable number of slices? And (2) how can we segment a test volume without interpolating voxel intensities between slices? This paper provides an answer to these questions by proposing a framework to deal with the variable number of slices in the training set and a resampling strategy for the test phase to segment theleft ventricle in cardiac MRI volumes with any number of slices. The proposed method was evaluated on a public database with 660 volumes of both healthy and diseased patients, with promising results.
Keywords Active shape model _ 3D segmentation _ Cardiac MRI _ Interpolation
رویکردی جدید از مدل شکل فعال برای تقسیم بندی (بخش بندی) بطن سمت چپ با استفاده از بررسی قابلیت تغییرپذیری برش در توده های ام آر آی قلب
چکیده:
مدل های شکل فعال سه بعدی از مجموعه ای توده تشریحی برای آموزش یک مدل شکل استفاده می کنند. این مدل شکل با استفاده از نشانه های منحصر به فرد برای تعریف مدل های سطحی در مجموعه آموزشی قادر به یادگیری شکل مورد نظر و حالات مختلف تقسیم بندی می باشد. سپس این اطلاعات طی فرایند تقسیم بندی برای اعمال محدودیتهای شکل مورد استفاده قرار می گیرند. یک مشکل معمول هنگام استفاده از این مدلها تقسیم بندی بطن سمت چپ در توده های ام آر آی سه بعدی می باشد. در این مشکل، تفاسیر مربوط به مجموعه ای از خطوط می باشند که مرز LV (بطن سمت چپ) را در هر برش توده تعریف می کنند. با این حال، هر توده دارای تعداد متفاوتی از برش ها می باشد (و بنابراین تعداد مختلفی از نقاط)، که باعث دشوار شدن یادگیری مدل می شود. علاوه بر این، نقائص حرکتی و فاصله زیاد بین برش ها، درونیابی شدتهای وکسل[1] را برای استفاده از این مدل آموزشی در یک توده نمونه به انتخابی نادرست تبدیل می سازد. این دو مشکل باعث بوجود آمدن سوالات زیر می گردد: (1) چگونه می توانیم یک مدل شکل را از روی توده هایی با تعداد متغیر از برش ها یاد بگیریم؟ و (2) چگونه می توانیم توده نمونه را بدون درونیابی شدت وکسل ها بین برش ها تقسیم بندی کنیم؟ این مقاله با پیشنهاد رویکردی برای مواجهه با تعداد متغیر برش های موجود در مجموعه آموزشی و یک استراتژی نمونه گیری مجدد برای مرحله آزمون جهت بخش بندی بطن سمت چپ در توده های ام آر آی قلب با تعداد دلخواه برش ها، پاسخی به این پرسشها ارائه می دهد. روش ارائه شده بر روی یک پایگاه داده عمومی با توده 660 بیمار سالم و بیمار مورد بررسی قرار گرفت، و نتایج حاصل امیدوار کننده بود.
کلیدواژه: مدل شکل فعال، تقسیم بندی سه بعدی، ان آر آی قلب، درونیابی
مدل شکل فعال برای تقسیم بندی بطن سمت چپ با استفاده از بررسی قابلیت تغییرپذیری برش در توده های ام آر آی قلب