电气工程与系统科学 > 图像与视频处理
[提交于 2025年1月2日
]
标题: ScarNet:一种用于心脏MRI中LGE自动心肌瘢痕定量的新基础模型
标题: ScarNet: A Novel Foundation Model for Automated Myocardial Scar Quantification from LGE in Cardiac MRI
摘要: 背景:晚期钆增强(LGE)成像是评估心肌纤维化和瘢痕的金标准,左心室(LV)LGE范围可预测主要不良心脏事件(MACE)。 尽管其重要性,基于LGE的常规LV瘢痕量化受到劳动密集型手动分割和观察者间变异性的阻碍。 方法:我们提出了ScarNet,一种结合基于Transformer的编码器(来自医学分割Anything模型MedSAM)和基于卷积的U-Net解码器的混合模型,并通过定制的注意力块进行增强。 ScarNet在552名缺血性心肌病患者上进行了训练,这些患者的心肌和瘢痕边界有专家分割,并在184名独立患者上进行了测试。 结果:ScarNet在184名测试患者中实现了稳健的瘢痕分割,中位Dice分数为0.912(IQR:0.863–0.944),显著优于MedSAM(中位Dice = 0.046,IQR:0.043–0.047)和nnU-Net(中位Dice = 0.638,IQR:0.604–0.661)。 与MedSAM(偏差:-13.31%,变异系数(CoV):130.3%)和nnU-Net(偏差:-2.46%,CoV:20.3%)相比,ScarNet表现出较低的偏差(-0.63%)和变异系数(4.3%)。 在带有噪声扰动的蒙特卡洛模拟中,ScarNet在瘢痕Dice方面显著高于MedSAM(0.048\pm 0.112,CoV = 233.3%)和nnU-Net(0.615\pm 0.537,CoV = 28.7%),达到0.892\pm 0.053,CoV = 5.9%。 结论:ScarNet在准确分割LGE图像中的心肌和瘢痕边界方面优于MedSAM和nnU-Net。 该模型在各种图像质量和瘢痕模式下表现出稳健的性能。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.