一个粗细的协作学习模型,用于胎儿心脏超声图像中的三血管细分
IEEE journal of biomedical and health informatics
|April 18, 2024
概括
这项研究介绍了CoFi-Net,这是一种深度学习工具,可以在超声图像中自动分割胎儿心血管. 这项创新旨在提高诊断先天性心脏病 (CHD) 的准确性和效率.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心脏病学 心脏病学
背景情况:
- 先天性心脏病 (CHD) 是一种常见的出生缺陷,也是婴儿死亡的主要原因.
- 产前超声波查,特别是三血管视图 (3VV),对于早期心脏病诊断至关重要.
- 主观性和操作员在解释3VV图像中的依赖性限制了诊断准确性,特别是在服务不足的地区.
研究的目的:
- 开发一种使用深度学习在3VV中对肺动脉,上升大动脉和上腔静脉进行细分的自动化方法.
- 引入一个新的深度学习网络,CoFi-Net,旨在精确对胎儿心血管进行细分.
主要方法:
- 提出了CoFi-Net,这是一个深度学习网络,具有粗细的协作策略.
- 该网络具有两个并行分支:一个粗的分支用于全球本地化,一个细分的分支用于详细的细分.
- 在精细的分支中使用了注意力参数化的跳过连接,以增强特征表示和边界细节.
主要成果:
- 与现有的最先进的模型相比,CoFi-Net在3VV细分方面取得了更好的表现.
- 该方法显示了在临床环境中提高心脏病诊断效率的巨大潜力.
- 此外,CoFi-Net也显示出对其他细分任务的稳定性和潜力,在乳房超声波数据集上表现优于模型.
结论:
- 在产前超声波中,CoFi-Net为3VV细分提供了一个自动化和准确的解决方案.
- 开发的深度学习方法可以提高先天性心脏病的早期诊断.
- CoFi-Net的多功能性表明在医疗图像细分方面具有更广泛的应用.
