心脏和大血管细分在先天性心脏病通过CNN和条件能量功能后处理

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:

• 在CT图像中对心脏和大血管进行准确的细分对于诊断先天性心脏病 (CHD) 至关重要.
• 多种CHD异常对现有的细分方法构成重大挑战.
• 心脏病的临床评估和诊断在很大程度上依赖于精确的心脏成像分析.

研究的目的:

• 开发和验证心脏和大血管CT图像中一种新的两阶段细分方法.
• 为了应对心脏病细分中的各种心脏异常所带来的挑战.
• 提高心脏结构细分的准确性和可靠性,以改善心脏病诊断.

主要方法:

• 提出了一种两阶段的细分策略,将卷积神经网络 (CNN) 与封闭的自我注意力机制和有条件的能量功能相结合.
• 初步阶段使用CNN对五个心脏结构和两个主要血管进行细分.
• 第二阶段通过使用有条件的能量功能来改进肺动脉和大动脉的细分,以确保血管连续性.

主要成果:

• 拟议的方法在110个3DCT卷和16个CHD变体的公开数据集上进行了评估.
• 与U-Net,V-Net,Unetr和dynUnet相比,它表现出优异的性能,在子系数 (DSC),联盟交叉点 (IOU) 和豪斯多夫距离 (HD95) 中得到了改进.
• 对心脏结构和大血管的细分指标的改进证实了该方法的有效性.

结论:

• 这项研究验证了CHD提出的两阶段细分方法的有效性.
• 心脏和大血管的精确细分对于心脏病的诊断和治疗具有临床意义.
• 这些发现突显了先进的人工智能技术在改善心血管成像分析方面的潜力.