无监督的图像纹理转换深度网络:在心肌动期间提高交叉相关性分析和机械的可视化质量
Daria Mangileva1, Alexander Kursanov1,2, Leonid Katsnelson1,2
1Department of Computational Mathematics and Computer Science, Ural Federal University, Ekaterinburg, 620002, Russia.
Heliyon
|December 6, 2023
概括
研究人员开发了一种新的深度神经网络,以改善心肌的可视化. 这种方法增强了心上视频中的机械探测,为心脏功能障碍提供了更清晰的见解.
科学领域:
- 心脏病学 心脏病学
- 生物医学工程 生物医学工程
- 图像分析 图像分析
背景情况:
- 心脏动可视化对于心脏生理学研究和临床应用至关重要.
- 机械位移场,反映电活动,被用来图像动.
- 目前使用交叉相关性分析的方法由于像素异质性差,导致低质量的位移场,阻碍了对机械的观察.
研究的目的:
- 开发一种新的方法来增强心肌动期间机械位移场的可视化.
- 改进机械的检测,这些在纤维化过程中表明机械功能障碍.
- 克服现有方法的局限性,这些方法的图像质量低,并且由于标记器导致的结果可能被伪造.
主要方法:
- 开发了一个无监督的深度神经网络,利用多层感知子的位置编码技术.
- 网络从连续的视频中生成具有更大的像素纹理异质性的增强.
- 在合成数据上测试了网络,并将其性能与心脏组织图像数据集上的传统过器 (例如,CLAHE) 相比较.
主要成果:
- 与标准交叉相关性分析相比,深度神经网络显著提高了位移场的质量,特别是在低对比度图像中.
- 拟议的方法在分析心脏组织图像方面表现优于流行的CLAHE过器.
- 首次,在心肌动期间,在心上表皮的机械旋被清晰地连续记录了几毫秒.
结论:
- 这种新型的深度神经网络有效地增强了心肌动中机械位移场的可视化.
- 这种方法提供了一种非侵入性的方法,以提高对动期间机械功能障碍的理解.
- 清晰可视化机械的能力为心脏病学研究和临床诊断开辟了新的途径.
