边缘和密集的注意力U-net用于LGE-MRI中的心房痕细分

科学领域:

• 医学成像分析分析 医学成像分析
• 心血管研究的心血管研究.
• 医疗保健中的人工智能

背景情况:

• 在LGE-MRI图像中精确细分心房痕对于临床诊断和治疗计划至关重要.
• 手动细分是劳动密集型,容易出现错误,而自动方法则在痕变化方面扎.
• 现有的自动细分技术面临挑战,因为心肌痕的小尺寸和不规则的形状.

研究的目的:

• 开发LGE-MRI图像中的心房痕的先进自动细分方法.
• 与手动方法相比,提高心房痕细分的准确性和效率.
• 解决当前自动细分技术的局限性,以挑战痕特征.

主要方法:

• 引入一种新的双分支网络架构.
• 整合了边缘注意力机制,以利用痕和心房之间的空间关系.
• 在底层集成密集的注意力,以减轻特征消失问题.
• 应用深度监督策略,以加快模型融合,提高细分精度.

主要成果:

• 拟议的带有边缘关注和深度监督的双分支网络在2022年心房和痕细分挑战数据集上表现出卓越的表现.
• 该方法有效地利用了空间信息,并解决了特征消失,从而提高了细分精度.
• 实验结果证实了拟议方法在细分心房痕方面的有效性.

结论:

• 开发的双分支网络为LGE-MRI中心房痕的准确和高效的自动细分提供了一个有前途的解决方案.
• 边缘关注和深度监督的整合显著提高了细分性能.
• 这一进步有可能改善临床诊断和指导心房病患者的治疗策略.