深度学习网络在2D超声波中左心房附属部分的细分:比较分析
概括
像AttUnet和TransAttUnet这样的深度学习模型在2D超声波中对左心房附属体 (LAA) 进行细分,提高了心房治疗中关键设备大小的准确性.
科学领域:
- 医学成像分析 医学成像分析
- 人工智能在医学中的应用
- 心血管干预 心血管干预
背景情况:
- 左心房附属体 (LAA) 是非膜心房患者血栓栓塞的主要来源.
- 穿皮LAA封闭是一种治疗选择,但精确的设备大小依赖于复杂的,可变的手动图像分析.
- 目前的方法缺乏有效的解决方案,用于2D超声波,这是干预计划的标准.
研究的目的:
- 评估深度学习 (DL) 方法在二维超声图像中对LAA进行细分的性能.
- 为了比较不同DL架构 (Unet,UnetR,AttUnet,TransAttUnet) 对此任务的有效性.
- 评估DL的可行性,以改善LAA在临床实践中的解剖分析.
主要方法:
- 为LAA细分创建了一个专门的2D超声波数据库.
- 四个DL网络 (Unet,UnetR,AttUnet,TransAttUnet) 进行了培训和评估.
- 使用子系数,准确性,回忆,特异性,精度,豪斯多夫距离和平均距离误差量化性能.
主要成果:
- AttUnet和TransAttUnet表现出很高的表现,分别获得了88.62%和89.28%的Dice分数.
- 对于AttUnet和TransAttUnet的准确性分别为88.25%和86.30%.
- 该研究证实了DL在2D超声波中对LAA细分的有效性.
结论:
- 深度学习方法,特别是AttUnet和TransAttUnet,在2D超声波中对LAA细分是有效的.
- 这些发现凸显了DL的临床潜力,用于精确的LAA解剖分析和干预计划.
- 基于DL的细分为LAA封闭程序的手动分析提供了一个更有效和潜在的变量较小的替代方案.
