心臓機能の評価の改善:回声心臓図のビデオのセグメンテーションを自動化する領域適応フレームワークの開発と検証

科学分野:

• 医学画像分析
• 心臓病学におけるディープ・ラーニング
• イメージセグメンテーション技術

背景:

• 心臓機能の評価には,エジェクション分数の計算を含む,正確な心声画像のセグメンテーションが不可欠です.
• ディープラーニングモデルは,ドメインの不一致,ノイズーなデータ,および解剖学的変動性により,エコーカルディオグラフィの課題に直面しています.
• 既存の方法は様々なイメージング条件と様式と闘っています.

研究 の 目的:

• 自動化されたエコー心臓画像セグメンテーションのためのドメイン適応セグメンテーションフレームワークを提案し,検証する.
• 様々なイメージング条件とモダリティにおけるセグメンテーションモデルの堅実性を高める.
• 心臓画像分析における現在のディープラーニングのアプローチの限界に対処する.

主な方法:

• 構造化された潜在表現のための変数自動エンコーダー (VAE) とドメインアライナメントのためのワサースタインGAN (WGAN) の統合.
• 高解像度の再構築のために,計算効率とPixelShuffle層のために,深さで分離可能なコンヴォルションを使用した.
• 多数のデータセット (CAMUS,EchoNet-Dynamic,Heshmat Hospital) で評価され,ダイススコア,ジャカード指数,ハウズドルフ距離を用いて,質的な心臓科医による評価が行われました.

主要な成果:

• 卓越したダイススコア: 84.6% (CAMUS → EchoNet-Dynamic) と 89.1% (EchoNet-Dynamic → CAMUS),最先端の無監督ドメイン適応 (UDA) 方法よりも優れている.
• 外部局所データセット (ヘシュマット病院) で,ダイスのスコアが83.0%と84.1%で高いパフォーマンスを維持した.
• すべての結果は,ベースラインの方法と比較して統計的有意性を示した (p < 0. 01).

結論:

• 提案されたUDAフレームワークは,ドメインの不一致,騒音データ,および解剖学的変動性を効果的に処理することにより,エコーカルジオグラフィのセグメンテーションを大幅に進める.
• この強力な枠組みは 心臓の健康の評価を 改善するための信頼できるツールです
• この研究は,臨床心臓病における自動化された正確なセグメンテーションの可能性を強調しています.