BEAS-Net:一种基于形状的深度卷积神经网络,用于在二维心声图中进行强大的左心室细分

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 在二维心声图中,左心室 (LV) 的细分对于诊断心血管疾病 (CVD) 至关重要.
• 深度学习 (DL) 模型显示了自动化LV细分的前景,但往往缺乏解剖形状先验.
• 这种限制可以降低未见或低质量的图像的性能.

研究的目的:

• 引入一种新型的形状受约束深卷积神经网络 (CNN),用于强大的自动LV细分.
• 通过结合解剖形状信息来提高DL模型的概括性能.

主要方法:

• 开发了BEAS-Net,一个CNN集成图像特征与B-spline显式活性表面 (BEAS) 算法衍生的形状先验.
• 在三个体内心声学数据集上训练和评估BEAS-Net.
• 将BEAS-Net与基于U-Net的DL细分模型进行比较.

主要成果:

• BEAS-Net和U-Net在高质量的心声回声图像上表现相似.
• 在人工和低质量的图像上,BEAS-Net显著超过了U-Net模型.
• 拟议的网络产生了生理上有意义的细分轮,即使有图像文物.

结论:

• BEAS-Net为LV细分提供了更高的稳定性和准确性,特别是在具有挑战性的成像条件下.
• 将解剖形状先验集成到DL模型中,提高了它们在心血管诊断中的临床实用性.
• 这种方法有可能对心脏功能和形态学进行更可靠的自动化分析.