عنوان انگلیسی:
Unsupervised Myocardial Segmentation for Cardiac MRI
عنوان فارسی:
بخش بندی میوکاردیال کنترل نشده برای تصاویر ام آر آی قلبی
تعداد صفحات مقاله اصلی: 9 صفحه
تعداد صفحات ترجمه: 15 صفحه
سال انتشار: 2015
مجله
Springer International Publishing Switzerland 2015
- Navab et al. (Eds.): MICCAI 2015, Part III, LNCS 9351, pp. 12–20, 2015.
DOI: 10.1007/978-3-319-24574-4_2
- Though unsupervised segmentation was a de-facto standard for cardiac MRI segmentation early on, recently cardiac MRI segmentation literature has favored fully supervised techniques such as Dictionary Learning and Atlas-based techniques. But, the benefits of unsupervised techniques e.g., no need for large amount of training data and better potential of handling variability in anatomy and image contrast, is more evident with emerging cardiac MR modalities. For example, CP-BOLD is a new MRI technique that has been shown to detect ischemia without any contrast at stress but also at rest conditions. Although CP-BOLD looks similar to standard CINE, changes in myocardial intensity patterns and shape across cardiac phases, due to the heart’s motion, BOLD effect and artifacts affect the underlying mechanisms of fully supervised segmentation techniques resulting in a significant drop in segmentation accuracy. In this paper, we present a fully unsupervised technique for segmenting myocardium from the background in both standard CINE MR and CP-BOLD MR. We combine appearance with motion information (obtained via Optical Flow) in a dictionary learning framework to sparsely represent important features in a low dimensional space and separate myocardium from background accordingly. Our fully automated method learns background-only models and one class classifier provides myocardial segmentation. The advantages of the proposed technique are demonstrated on a dataset containing CP-BOLD MR and standard CINE MR image sequences acquired in baseline and ischemic condition across 10 canine subjects, where our method outperforms state-of-the-art supervised segmentation techniques in CP-BOLD MR and performs at-par for standard CINE MR.
Keywords: Unsupervised Segmentation, Dictionary Learning, BOLD, CINE, MRI.
بخش بندی میوکاردیال کنترل نشده برای تصاویر ام آر آی قلبی
چکیده
هرچند که تاکنون بخش بندی کنترل نشده ، یک روش استاندارد بالفعل برای بخش بندی MRI قلبی بود، اخیراً ، تحقیقات صورت گرفته در زمینه بخش بندی MRI قلبی ، گرایش به استفاده از تکنیک های کاملاً کنترل شده مانند تکنیک های یادگیری دیکشنری و مبتنی بر اطلس دارند.. اما، مزایای تکنیک های کنترل نشده، از قبیل، عدم نیاز به مقدار زیادی از اطلاعات آموزشی و توانایی و استعداد بهتر در زمینه تغییر پذیری جابجایی در آناتومی وکنتراست تصویر، با ظهور روش های MR قلبی، ملموس تر است. برای مثال، CP-BOLD یک تکنیک MRI جدید است که برای تشخیص ایسکمی (کمبود یا کم رسانی خون به بافت یا اندام) بدون هیچگونه کنتراستی در تنش (استرس)، البته در شرایط استراحت (آسایش) را نشان داده شده است . اگرچه، CP-BOLD مشابه با CINE استاندارد به نظر می رسد تغییرات موجود در شکل و الگوهای شدت میوکاردیال در کل فازهای قلبی ناشی از حرکت قلب، تاثیر BOLD و تاثیر حرکت مصنوعی مکانیزم های اساسی و اصولی تکنیک های بخش بندی کاملاً کنترل شده، منجر به افت قابل توجهی در دقت بخش بندی می گردند. در این مقاله، یک تکنیک کاملاً کنترل شده را برای بخش بندی میوکاردیال از پس زمینه، در هر دو CINE MR استاندارد و CP-BOLD MR استاندارد ارائه کردیم. ما قسمت ظاهری را با اطلاعات حرکتی (بدست آمده از طریق جریان لیزری) در یک چهارچوب الگوریتم یادگیری دیکشنری برای نمایش ویژگی های دارای ارزش و اهمیت کم را در یک فضای ابعادی پایین ترکیب کردیم و از این طریق، میوکاردیوم را از پس زمینه تفکیک کردیم. روش کاملاً اتوماتیک ما تنها مدل های پس زمینه را یاد می گیرد و یک طبقه بند(کلاسیفایر) کلاس، بخش بندی میوکاردیال را فراهم می کند. مزایای تکنیک پیشنهادی بر روی یک مجموعه داده ی حاوی دنباله ای از تصاویر گرفته شده از طریق CP-BOLD MR و CINE MR استاندارد در شرایط ابتدایی و ایسکمیک در میان 10 اشخاص کانینی نشان دادندکه روش ما بهتر از پیشرفته ترین تکنیک بخش بندی کنترل شده استاندارد CP-BOLD MR و هم تراز با استاندارد CINE MR است.
کلمات کلیدی : بخش بندی کنترل نشده، یادگیری دیکشنری، BOLD ، CINE ، MRI.
فهرست مطالب
بخش بندی درشت (بزرگ) مبتنی بر جریان نوری (لیزری). 6
ماشین برداری پشتیبان (SVM) درجه یک برای بخش بندی.. 7
آماده سازی اطلاعات و تنظیم پارامترها. 10
بخش بندی میوکاردیال کنترل نشده برای تصاویر ام آر آی قلبی
