Un nuevo marco de segmentación que integra corte de gráfico con aprendizaje de características a múltiples escalas mejora la precisión de la segmentación del ventrículo derecho en la RM cardíaca.
Es importante segmentar la estructura del ventrículo derecho en imágenes de RM para la evaluación cuantitativa de la función cardíaca. Algunos factores como el borde de cavidad distintivo y la forma de media luna variable representan un desafío para esta tarea. Para superar estas dificultades, se presenta un marco de segmentación que integra el corte gráfico con el aprendizaje de características a múltiples escalas. En primer lugar, se utilizan parches de imagen a múltiples escalas extraídos del conjunto de entrenamiento para llevar a cabo el aprendizaje supervisado de características mediante un auto-codificador escaso apilado. En segundo lugar, se localiza aproximadamente la estructura del ventrículo derecho utilizando el mapa de probabilidad estimado para el conjunto de prueba. Finalmente, se optimiza una función de energía regularizada basada en el corte gráfico para la refinación de la segmentación. Una serie de experimentos comparativos demuestran la superioridad del método propuesto en términos de precisión de segmentación.
Lu et al. (Sat,) estudiaron esta cuestión.