S'abonner

A 3D Network Based Shape Prior for Automatic Myocardial Disease Segmentation in Delayed-Enhancement MRI - 27/02/21

Doi : 10.1016/j.irbm.2021.02.005 
K. Brahim a, b, c, , A. Qayyum b , A. Lalande b , A. Boucher b , A. Sakly c , F. Meriaudeau b
a National Engineering School of Sousse, University of Sousse, Tunisia 
b ImViA EA 7535 laboratory, University of Burgundy, France 
c LASEE laboratory, National Engineering School of Monastir, University of Monastir, Tunisia 

Corresponding author at: ImViA EA 7535 laboratory, University of Burgundy, France.ImViA EA 7535 laboratoryUniversity of BurgundyFrance
Sous presse. Épreuves corrigées par l'auteur. Disponible en ligne depuis le Saturday 27 February 2021
Cet article a été publié dans un numéro de la revue, cliquez ici pour y accéder

Graphical abstract

Le texte complet de cet article est disponible en PDF.

Highlights

A pre-trained 3D Autoencoder is used to reconstruct an identity segmentation result.
Optimum setting parameters are useful for segmentation and computational performance.
Propose volume patch extraction from Delayed Enhancement Magnetic Resonance Imaging.
A fusion of 3D Autoencoder with 3D U-Net proves better myocardial segmentation.
An anatomical network is used to segment the myocardium and left ventricular cavity.

Le texte complet de cet article est disponible en PDF.

Abstract

Objectives: In this work, a new deep learning model for relevant myocardial infarction segmentation from Late Gadolinium Enhancement (LGE)-MRI is proposed. Moreover, our novel segmentation method aims to detect microvascular-obstructed regions accurately. Material and methods: We first segment the anatomical structures, i.e., the left ventricular cavity and the myocardium, to achieve a preliminary segmentation. Then, a shape prior based framework that fuses the 3D U-Net architecture with 3D Autoencoder segmentation framework to constrain the segmentation process of pathological tissues is applied. Results: The proposed network reached outstanding myocardial segmentation compared with the human-level performance with the average Dice score of ‘0.9507’ for myocardium, ‘0.7656’ for scar, and ‘0.8377’ for MVO on the validation set consisting of 16 DE-MRI volumes selected from the training EMIDEC dataset. Conclusion: It is concluded that our approach's extensive validation and comprehensive comparison against existing state-of-the-art deep learning models on three annotated datasets, including healthy and diseased exams, make this proposal a reliable tool to enhance MI diagnosis.

Le texte complet de cet article est disponible en PDF.

Keywords : Myocardial infarction segmentation, LGE-MRI, Microvascular-obstructed regions


Plan


© 2021  AGBM. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.