Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2501.01372v1

帮助 | 高级搜索

电气工程与系统科学 > 图像与视频处理

arXiv:2501.01372v1 (eess)
[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

Authors:Neda Tavakoli, Amir Ali Rahsepar, Brandon C. Benefield, Daming Shen, Santiago López-Tapia, Florian Schiffers, Jeffrey J. Goldberger, Christine M. Albert, Edwin Wu, Aggelos K. Katsaggelos, Daniel C. Lee, Daniel Kim
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。
摘要: Background: Late Gadolinium Enhancement (LGE) imaging is the gold standard for assessing myocardial fibrosis and scarring, with left ventricular (LV) LGE extent predicting major adverse cardiac events (MACE). Despite its importance, routine LGE-based LV scar quantification is hindered by labor-intensive manual segmentation and inter-observer variability. Methods: We propose ScarNet, a hybrid model combining a transformer-based encoder from the Medical Segment Anything Model (MedSAM) with a convolution-based U-Net decoder, enhanced by tailored attention blocks. ScarNet was trained on 552 ischemic cardiomyopathy patients with expert segmentations of myocardial and scar boundaries and tested on 184 separate patients. Results: ScarNet achieved robust scar segmentation in 184 test patients, yielding a median Dice score of 0.912 (IQR: 0.863--0.944), significantly outperforming MedSAM (median Dice = 0.046, IQR: 0.043--0.047) and nnU-Net (median Dice = 0.638, IQR: 0.604--0.661). ScarNet demonstrated lower bias (-0.63%) and coefficient of variation (4.3%) compared to MedSAM (bias: -13.31%, CoV: 130.3%) and nnU-Net (bias: -2.46%, CoV: 20.3%). In Monte Carlo simulations with noise perturbations, ScarNet achieved significantly higher scar Dice (0.892 \pm 0.053, CoV = 5.9%) than MedSAM (0.048 \pm 0.112, CoV = 233.3%) and nnU-Net (0.615 \pm 0.537, CoV = 28.7%). Conclusion: ScarNet outperformed MedSAM and nnU-Net in accurately segmenting myocardial and scar boundaries in LGE images. The model exhibited robust performance across diverse image qualities and scar patterns.
评论: 31页,8图
主题: 图像与视频处理 (eess.IV) ; 人工智能 (cs.AI); 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2501.01372 [eess.IV]
  (或者 arXiv:2501.01372v1 [eess.IV] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.01372
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Neda Tavakoli [查看电子邮件]
[v1] 星期四, 2025 年 1 月 2 日 17:30:55 UTC (2,313 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.IV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
cs.AI
cs.CV
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号