使用传统的计算机视觉和深度学习方法的人工智能框架,以实现左心室与痕的最佳自动细分

科学领域:

• 医疗成像医学成像
• 心血管成像 - 心血管成像
• 人工智能在医学中的应用

背景情况:

• 使用晚期加多增强磁共振成像 (LGE-MRI) 精确细分心脏左心室 (LV) 痕对于患者的诊断和治疗至关重要.
• 现有的细分方法在不同临床环境中面临普遍化和稳健性的挑战.

研究的目的:

• 开发一种新的框架和成本函数,以优化从LGE-MRI中痕的LV的自动细分.
• 通过使用内部和外部OOD队列进行公正的验证,确保框架的通用化.

主要方法:

• 该框架将传统的计算机视觉技术 (多图谱,主动轮,k-means) 与深度学习方法相结合.
• 一个不偏见的验证协议包括了OOD内部和外部队列,以及观察者内部/观察者之间的变化基准真相.
• 使用Dice分数来衡量细分精度来评估性能.

主要成果:

• 传统的计算机视觉技术通常表现优于深度学习,除了呼吸错位的情况下.
• 最佳框架解决方案表现出强大而普遍的性能,Dice得分为82.8 ± 6.4% (内部OOD) 和72.1 ± 4.6% (外部OOD).
• 该框架在不同医院和供应商之间实现了无偏见的结果,而不需要再培训.

结论:

• 开发的框架为使用LGE-MRI的自动LV痕细分提供了高性能,通用的解决方案.
• 该工具可从单模心脏扫描中实现全自动细分,为临床专家提供了宝贵的资产.
• 该方法克服了当前最先进方法的局限性,通过提供无偏见的结果而没有医院特定的调整.