通过基于ROI的Tri-Convolutional神经网络进行细粒度的左心室自动细分.
Gayathri K1, Uma Maheswari N1, Venkatesh R2
1Department of Computer Science and Engineering, PSNA College of Engineering and Technology, Dindigul, Tamil Nadu, India.
概括
一个新的三卷积网络 (Tri-ConvNets) 模型在心脏图像中准确地分割了左心室 (LV). 这种深度学习方法提高了心血管疾病评估的诊断准确性和效率.
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:
- 左心室细分 (LVS) 对于评估心脏功能和诊断心血管疾病至关重要.
- 手动LVS是耗时的,劳动密集型的,并且可以降低诊断准确度.
- 准确的LVS对于测量心肌质量,终端透析体积和喷射分数等关键参数至关重要.
研究的目的:
- 使用深度神经网络,为左心室开发一种高度准确的语义细分方法.
- 引入三卷积网络 (Tri-ConvNets) 模型,以实现高效和精确的LVS.
- 克服心脏图像分析中手动细分的局限性.
主要方法:
- 心脏MRI (CMRI) 图像经过预处理以减少噪音和提高质量.
- 基于兴趣区域 (ROI) 的提取分三个阶段进行,以隔离左心室.
- 使用深度学习模型 (标准ConvNet,完全ConvNet,ConvNets) 的组合来进行特征提取和像素细分.
主要成果:
- 三联网模型实现了高的贾卡德指数 (0.9491 ± 0.0188在桑尼布鲁克,0.9497 ± 0.0237在约克) 和子指数 (0.9419 ± 0.0178在ACDC,0.9414 ± 0.0247在LVSC).
- 实验结果表明,Tri-ConvNets比现有的最先进的模型更快,需要更少的计算资源.
- 该模型提供了左心室的准确细分,这对于评估心脏功能至关重要.
结论:
- 拟议的Tri-ConvNets模型在自动左心室细分方面取得了重大进展.
- 这种深度学习方法提高了心血管成像诊断的准确性和效率.
- Tri-ConvNets为LVS提供了一个计算效率高和资源最小的解决方案,其性能优于当前的方法.
