通过生成对抗网络来自动细分二维心声图像和超声图像

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:

• 从二维回声心脏图像进行自动心脏细分对于临床诊断至关重要.
• 解剖学变化和图像噪声对细分精度构成重大挑战.
• 准确的心脏结构细分对于确定关键临床指数至关重要.

研究的目的:

• 提出一种自动化的方法来分割心室内心,心肌和左心房 (LA).
• 利用像素对像素生成对抗网络 (Pix2Pix GAN) 进行精确的心脏图像细分.
• 通过增强的细分来提高临床和几何参数确定的准确性.

主要方法:

• 开发了一个Pix2Pix GAN模型,集成了一个UNET生成器和一个PatchGAN区分器.
• 使用心脏获取多结构超声波细分 (CAMUS) 数据集进行验证.
• 采用标准列车测试分割,与最先进的研究相一致,用于直接比较.

主要成果:

• 与现有技术相比,拟议的基于GAN的方法证明了优越的细分性能.
• 实现了左心室内心内分段的高平均Dice值 (例如,2CH ED的0.961).
• 获得了优异的射出分数 (EF) 相关性 (高达0.98) 和低平均绝对误差 (MAE) (低至2.1mL).

结论:

• 开发的Pix2Pix GAN模型有效地解决了心脏细分方面的挑战.
• 该方法显著提高了来自心声回声图像的临床指数的准确性.
• 这种方法为临床环境中的自动心脏分析提供了有前途的进步.