FK-means:自动心房纤维化细分,使用碎形引导的K-means集群与Voronoi剪切特征提取解剖结构

科学领域:

• 心血管成像 - 心血管成像
• 医学图像分析 医学图像分析
• 计算病理学计算病理学

背景情况:

• 使用晚期加多增强 (LGE) 磁共振成像 (MRI) 精确评估左心房 (LA) 纤维化对于管理心房动至关重要.
• 在LA纤维化评估中的挑战包括由于近距离的解剖结构导致的错误分类,需要有效的排除技术.

研究的目的:

• 在LGE-MRI中开发和评估一种新的FK-means方法,用于LGE-MRI中结合自动剪切和自动纤维化细分.
• 将拟议的自动化方法的性能与深度学习 (3D UNet) 和手动剪切技术进行比较.

主要方法:

• 开发了一种新的FK-means方法,结合了基于特征的沃罗诺伊图和基于分数的层次的3DK-means方法.
• 该方法用于对LGE-MRI数据进行解剖结构的自动剪切和随后的自动纤维化细分.
• 使用子得分评估性能,并与3D UNet和手动剪切进行比较.

主要成果:

• 自动Voronoi剪切方法实现了0.75的子得分,与3D UNet方法 (0.74) 相比.
• 使用Voronoi剪切的自动纤维化细分实现了0.76的Dice得分,超过了3D UNet方法 (0.69).
• 使用手动剪切,自动细分实现了0.90的高子得分,表明可靠的性能.

结论:

• 自动FK-媒介分析方法使得可靠的LA纤维化细分.
• 剪切心房附近的解剖结构显著提高了心房纤维化评估的准确性.