相关实验视频
Updated: Jul 22, 2026
10:46
MRI and PET in Mouse Models of Myocardial Infarction
Published on: December 19, 2013
11.8K
深度学习用于基于16段左心室模型的晚期加多增强病变的分类
Yoon-Chul Kim1, Younjoon Chung2, Yeon Hyeon Choe3
1Division of Digital Healthcare, College of Software and Digital Healthcare Convergence, Yonsei University, Wonju, South Korea.
概括
一种新的深度学习方法可以在没有手动细分的情况下准确地识别心肌晚期加多增强 (LGE) 病变. 这种方法简化了心脏MRI的分析,提高了心脏病的诊断效率.
科学领域:
- 心血管成像 - 心血管成像
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 心肌晚期加多增强 (LGE) 对于诊断和管理各种心脏疾病至关重要.
- 精确的LGE病变细分分析是必不可少的,但往往是劳动密集的.
- 目前的方法可能需要耗时的手动细分和注释.
研究的目的:
- 开发和验证基于深度学习的方法,用于对心肌LGE病变的细分分析.
- 在心脏MRI中自动识别和分类LGE病变.
- 为了减少LGE分析所需的手工工作.
主要方法:
- 来自170名患者的心脏LGE数据被用于培训,验证和测试.
- 短轴心脏MRI图像被转化为极地空间.
- 深度卷积神经网络 (CNN) 模型使用基于16段LV模型的细分极图像进行了开发和验证.
主要成果:
- 拟议的深度学习方法在没有手动注释的情况下实现了0.875的AUC,用于病变分类.
- 精度,回忆和F1分数分别为0.723,0.783和0.752分.
- 预训练模型 (ResNet50,EfficientNet-B0) 的表现优于未经预训练的CNN,表现强.
结论:
- 一个深度CNN模型有效地预测了极变形图像中的LGE病变,准确度很高.
- 该方法消除了需要耗时的手动损伤细分和注释的需求.
- 这种深度学习方法为细分LGE分析提供了高效和准确的解决方案.
