一个域移不变的CNN框架,用于跨未见域的心脏MRI细分
Sanjeet S Patil1, Manojkumar Ramteke1,2, Mansi Verma3
1Department of Chemical Engineering, Indian Institute of Technology, Delhi, New Delhi, India.
Journal of digital imaging
|July 10, 2023
概括
医疗图像细分的深度学习模型与一般化性作斗争. 这项研究引入了一种使用多序心脏MRI的新框架,以改善卷积神经网络 (CNN) 架构的域移动不变性,提高跨不同数据集的诊断准确性.
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:
- 深度学习模型在医疗图像细分方面实现了高精度.
- 这些模型的通用性在不同患者群体,MRI供应商和成像条件上是有限的.
- 领域转移对在不同的临床环境中部署人工智能提出了重大挑战.
研究的目的:
- 提出一个可翻译的深度学习框架,用于电影MRI扫描的诊断细分.
- 为了增强使用多序心脏MRI的最先进 (SOTA) 架构的域转移不变性.
- 提高心脏MRI细分的深度学习模型的通用性.
主要方法:
- 开发了一个深度学习框架,利用多序心脏MRI的异质性.
- 策划了多样化的数据集,将公共和私人来源结合起来进行培训和测试.
- 评估了三种SOTA卷积神经网络 (CNN) 架构:U-Net,注意力-U-Net和注意力-Res-U-Net.
- 在三种心脏MRI序列的组合上训练模型,并在多中心,多供应商数据集上验证.
主要成果:
- 在多序列数据集上训练的U-Net架构,在未见的域中展示了卓越的概括性.
- 在MyoPS 2020,AIIMS和M&M数据集上分别实现了心肌壁细分的0.81,0.85和0.83的Dice平均得分.
- 在印度人口数据集上,达到高的皮尔森相关系数 (0.98,0.99,0.95) 终端腹痛量,终端心痛量和喷射分数.
结论:
- 拟议的框架有效地提高了用于心脏MRI细分的深度学习模型的可翻译性和通用性.
- 多序心脏MRI数据对于开发域转移不变架构至关重要.
- 通过这种方法训练的U-Net模型显示出在各种环境中强大的临床应用的重大前景.
