使用深度学习分析小鼠心脏超声波和光声学图像数据的自动细分
Katherine A Leyba1, Hayley Chan2, Olivia Loesch1
1Weldon School of Biomedical Engineering, Purdue University, West Lafayette, Indiana, USA.
Ultrasound in medicine & biology
|June 2, 2024
概括
深度学习快速细分心脏图像,以改善分析. 这种方法增强了超声波和光声学成像对心肌张力和氧和度 (sO2) 的量化,克服了图像质量差的局限性.
科学领域:
- 医学成像医学成像
- 心血管研究的心血管研究.
- 医学中的人工智能
背景情况:
- 传统的方法用于识别回声心脏图像中感兴趣的区域是耗时且具有较差图像质量的挑战.
- 超声波 (US) 影像估计心肌应变,但不能提供功能信息,如氧和 (sO2).
- 光声学 (PA) 影像提供了组织sO2水平的非侵入性量化.
研究的目的:
- 利用深度学习来改善左心室前壁的细分.
- 用细分的小鼠超声波和光声学图像进行应变和氧和分析.
- 开发用于心脏图像分析的快速和可重复的方法.
主要方法:
- 利用U-Net深度神经网络进行图像细分.
- 在组合超声波 (US) 和光声学 (PA) 图像上训练了网络,对小鼠心脏组织进行训练.
- 通过使用准确度和Dice得分指标评估细分性能.
主要成果:
- 实现了对细分的高准确度和子得分:97.3%的准确度和0.84的子得分为US,95.6%的准确度和0.73的子得分为PA,以及96.5%的准确度和0.81的子得分为合并的US/PA图像.
- 证明了左心室前壁的可重复性兴趣区域 (ROI) 的创建.
- 展示了深度学习模型处理不同图像质量的能力.
结论:
- 基于深度学习的细分能够快速和可重复地识别心脏ROI.
- 这种方法有助于量化心肌应变和氧化 (sO2) 的量化.
- 合并的美国和PA成像方法显示了全面的心脏功能评估的前景.
