晚期加多增强图像采集分辨率对基于神经网络的自动痕细分系统的影响

科学领域:

• 医学成像分析分析 医学成像分析
• 心脏病学中的人工智能
• 生物医学工程 生物医学工程

背景情况:

• 使用神经网络的自动心肌痕细分为人工方法提供了替代方案.
• 图像采集和处理的变化可能会对神经网络性能产生负面影响.
• 这项研究系统地评估了由于训练和测试数据之间的点差函数不匹配导致的性能下降.

研究的目的:

• 评估训练和测试数据之间的点传播函数 (分辨率) 的不匹配如何影响神经网络对心肌痕细分的性能.
• 调查减轻由于分辨率差异造成的性能下降的方法.

主要方法:

• 获得了36个猪心肌梗塞LGE数据集.
• 在平面内分辨率通过k空间过被追溯地降低.
• 三个U-Nets被训练在不同的分辨率 (0.7,1.2,1.7毫米) 和测试跨分辨率.
• 第四个U-Net在组合分辨率 (0.7-1.7毫米) 上受过训练.

主要成果:

• 当测试数据分辨率与训练数据分辨率相匹配时,痕细分精度最高.
• 在相同分辨率上训练和测试的网络显示出最小的错误 (中位数为0.0 p.p. ) 的情况.
• 在不同分辨率上训练和测试的网络存在更高的误差 (中位数为 -0.5 到 0.0 p.p. ) 的情况.
• 对多分辨率数据的培训显著减少了所有测试分辨率的分辨率依赖.

结论:

• 训练和测试数据之间的成像点分布函数的不匹配会降低LGE痕细分的U-Net性能.
• 在多分辨率数据上训练神经网络有效地减轻了分辨率依赖.
• 多解析度培训是一种可行的策略,可以提高痕细分模型的稳定性.