连续的子空间学习为心脏病的分类与两相变形领域从CINE MRI的分类

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 心脏病学 心脏病学

背景情况:

• 心脏影像MRI对于非侵入性心血管疾病 (CVD) 的表征至关重要.
• 使用电影MRI的深度学习模型显示出希望,但与小数据集作斗争,缺乏可解释性.
• 现有的"黑子"模型阻碍了对预测机制和可靠性的理解.

研究的目的:

• 为CVD分类开发一个轻量级和可解释的连续子空间学习 (SSL) 框架.
• 解决深度学习模型的性能下降,这是由于培训数据有限而造成的.
• 提高基于心脏MRI的疾病预测的可靠性和理解.

主要方法:

• 一个分层的SSL框架,包括邻近的voxel扩展,无监督的子空间近似,监督的回归和多层次的功能集成.
• 采用从心脏图谱中获得的双相3D变形场 (终端透析和终端收缩) 作为输入.
• 采用可解释的前设计与心脏地图集相结合,用于心血管疾病分类.

主要成果:

• 与3D CNN方法相比,拟议的SSL框架在ACDC2017数据库上取得了更高的分类性能.
• 该模型即使在小型培训样本中也表现出有效性.
• 该框架需要的参数比基于3D CNN的方法少140倍,这表明效率高.

结论:

• 轻量级和可解释的SSL框架为使用心脏MRI进行心血管疾病分类提供了一个有希望的方法.
• 该方法为评估心血管疾病提供了一个客观的手段,在有限数据的临床环境中特别有价值.
• 该框架的效率和可解释性支持其广泛临床采用的潜力.