代残留图卷积神经网络用于从心脏MRI图像中个性化左心肌的三维重建
Xuchu Wang1, Yue Yuan1, Minghua Liu1
1Key Laboratory of Optoelectronic Technology and Systems of Ministry of Education, College of Optoelectronic Engineering, Chongqing University, Chongqing 400044, China.
Sensors (Basel, Switzerland)
|September 9, 2023
概括
这项研究引入了使用心脏MRI和残余图卷积神经网络的左心肌的新型3D重建算法,提高了心脏病诊断的准确性.
科学领域:
- 医学成像医学成像
- 计算解剖学的计算解剖学
- 心血管研究的心血管研究.
背景情况:
- 精确的三维 (3D) 左心肌重建对于诊断和治疗心脏疾病至关重要.
- 现有的基于模型的重建方法受限于目标对象与平均模型之间的相似性,影响了网格精度.
研究的目的:
- 开发一个个性化的3D重建算法,用于左心肌使用心脏磁共振 (MR) 图像.
- 通过一种新的深度学习方法,提高3D心肌重建的准确性和效率.
主要方法:
- 剩余图卷积神经网络 (GCN) 用于左心肌的网状变形.
- 从细分结果生成了一个初始的三角网格,然后使用代的剩余 GCN 进行了改进.
- 使用编码器-解码器网络的顶点特征学习模块被纳入,以捕获心肌骨信息在各种受体场,指导网状变形.
主要成果:
- 拟议的算法成功地从心脏MRI图像中重建了左心肌的3D形状.
- 对比实验表明,与现有最先进的方法相比,开发的方法取得了具有竞争力和准确的结果.
- 整合形状和局部关系显著改善了网状变形过程.
结论:
- 基于残留GCN的拟议个性化3D重建算法提供了一种强大而准确的方法,用于从心脏MRI图像中进行左心肌肉重建.
- 这种方法在改善心脏病的诊断和治疗规划方面具有显著的潜力.
- 顶点特征学习模块有效地利用解剖学信息来提高重建的准确性.
