一个带有边缘焦点损失和质量控制的运动感知DNN模型,用于Cine MR序列的短轴左心室细分

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
• 人工智能在医学中的应用

背景情况:

• 准确的左心室心肌细分对于评估心脏功能至关重要.
• 目前的方法往往忽略了心肌运动,并排除了像乳头肌肉和骨这样的细结构.
• 临床实践使用简化细分,可能会影响功能评估的准确性.

研究的目的:

• 开发一种运动感知深度神经网络 (DNN) 模型,用于精确的左心室心肌分裂.
• 结合运动编码和边缘聚焦细分来提高准确性.
• 为可靠的分段输出实施质量控制机制.

主要方法:

• 提出了一种新的运动感知DNN模型,包括双向ConvLSTM和运动注意层.
• 引入了边缘焦点损失功能,以增强精细心肌细节的细分.
• 开发了一种质量控制方法来过异常细分.

主要成果:

• 拟议的方法在公共和内部数据集上实现了高细分精度.
• 与最先进的细分模型相比,表现出卓越的性能.
• 在17个细分模型中的17个细分中,在14个细分中实现了最高的皮尔森相关系数,平均PCC为85%.

结论:

• 开发的运动感知DNN模型显著提高了左心室心肌细分的准确性.
• 该模型有效地捕捉了心肌运动和细致的解剖细节,包括乳头肌肉和骨.
• 这种方法为自动心脏功能评估提供了手动细分的可靠替代方案.