DSANet:双分支形状感知网络,用于在阿皮视图中的心声图细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心脏病学 心脏病学

背景情况:

• 对心脏解剖结构的准确细分在心声回声学中对于诊断心脏病和评估心脏功能至关重要.
• 对心声回声学细分的挑战包括不清楚的边界和由心脏运动引起的显著形状变形,阻碍自动分析.

研究的目的:

• 提出一种新的双分支形状感知网络 (DSANet) 用于在心声图像中自动对左心室,左心房和心肌进行细分.
• 通过整合形状感知模块,异型带注意力机制和跨分支跳过连接来增强特征表示和细分性能.

主要方法:

• 拟议的DSANet具有双分支架构,旨在捕捉形状先验和解剖学依赖.
• 使用一种异型条形注意力机制和跨分支跳过连接来改善功能集成和表示.
• 开发了一个边界感知整顿模块和边界损失函数,以提高在模两可的边界上的细分精度.

主要成果:

• 与现有的最先进的方法相比,DSANet在细分心脏结构方面表现出卓越的表现.
• 对公共和内部心声回声数据集的实验评估验证了拟议网络的有效性.
• 该方法在准确地划定心脏解剖结构方面取得了显著的改进.

结论:

• 开发的DSANet有效地解决了心脏细分在心声学中的挑战.
• 该网络利用形状信息和完善边界预测的能力为自动回声心脏分析提供了有希望的进步.
• 通过提高细分精度,DSANet显示了改善心脏病诊断和监测的巨大潜力.