心臓のデュアルアテンション機構に基づくマルチ構造セグメンテーションネットワーク

科学分野:

• 医用画像
• 人工知能
• 心血管疾患

背景:

• 正確な心臓のセグメンテーションは、心血管疾患の診断に不可欠です。CT画像は、セグメンテーションを妨げるぼやけた境界や類似した組織強度などの課題を提示します。既存の方法は、心臓構造の正確な描写に苦労しています。

研究 の 目的:

• CT画像におけるマルチ構造心臓セグメンテーションのための高度な3D深層学習ネットワークを開発すること。セグメンテーションの改善を通じて心臓機能定量化の精度を向上させること。CTスキャンにおけるぼやけた境界と隣接組織の干渉の限界を克服すること。

主な方法:

• マルチスケールチャネル強調アテンション（MCEA）および空間分解とチャネル融合アテンション（SD-CA）モジュールを組み込んだ3D心臓マルチ構造セグメンテーションネットワークを提案しました。MCEAは、異なるスケールにわたるチャネル情報を統合することにより、マルチスケール特徴表現を強化します。SD-CAは、関心領域に焦点を当て、干渉を減らすために、並列空間およびチャネルアテンション重みを生成します。

主要な成果:

• 左心室、心筋、左心房、右心室、右心房に対して高いセグメンテーション精度を達成し、平均ダイス係数は94.21％および93.9％でした。平均95％のハスドルフ距離6.5483および4.36で強力なパフォーマンスを示しました。左心室駆出率（LVEF）および下部構造ボリュームの定量的予測は、相関係数> 0.9587およびBland-Altmanテストでの高い一致（>94.8％）を示しました。

結論:

• 提案された3Dネットワークは、心臓CT画像セグメンテーション、特にぼやけた境界と類似した強度における課題を効果的に解決します。MCEAおよびSD-CAモジュールは、セグメンテーションパフォーマンスと心臓機能指標を定量化する能力を大幅に向上させます。結果は、心血管疾患の臨床診断と治療計画において高い精度と信頼性を示しています。