LASSNet:一个四个步骤的深度神经网络用于左前庭细分和痕量化
Arthur L Lefebvre1,2, Carolyna A P Yamamoto2,3, Julie K Shade2
1Faculté polytechnique de Mons, UMONS, Mons, Belgium.
Left atrial and scar quantification and segmentation : first challenge, LAScarQS 2022 held in conjunction with MICCAI 2022, Singapore, September 18, 2022, proceedings
|June 8, 2023
概括
这项研究引入了深度神经网络,用于在心房患者中自动左心房 (LA) 分段和痕量化,提高了准确性并减少了手工劳动在切除指导中.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 心脏电生理学 心脏电生理学
背景情况:
- 准确的左心房 (LA) 痕量化对于成功的心房动消退至关重要.
- 手动的LA细分和痕量化是耗时的,容易引起观察者之间的变化.
研究的目的:
- 开发和验证一个深度神经网络,用于自动化LA腔区分和LA痕量化.
- 提高痕评估的准确性和效率,以指导切除策略.
主要方法:
- 一个多网络的顺序深度学习架构被开发成两个阶段:LA空腔细分和LA痕细分.
- 每个阶段都包含一个感兴趣的地区网络和一个精细的细分网络.
- 该模型使用来自LAScarQS 2022挑战赛的200多张晚期加多增强型MRI图像进行训练和验证.
主要成果:
- 深度神经网络成功实现了LA腔区分和LA痕量化的自动化.
- 基于各种参数进行性能分析,包括数据分类.
- 与现有文献相比,开发的方法证明了痕量化性能的提高.
结论:
- 使用深度学习自动化LA痕量化提供了比手工方法更准确和更有效的替代方案.
- 这项技术有可能显著提高对心房动的消化策略的指导.
- 经过验证的深度神经网络为心脏成像中的临床应用提供了强大的工具.
