新型域知识编码算法使心脏CT细分的标签高效深度学习能够引导试点数据集中的心房动治疗
Prasanth Ganesan1, Ruibin Feng1, Brototo Deb1
1Department of Medicine and Stanford Cardiovascular Institute (CVI), Stanford University, Stanford, CA 94305, USA.
Diagnostics (Basel, Switzerland)
|July 27, 2024
概括
本研究介绍了域知识编码 (DOKEN) 算法,用于自动化心脏细分用于心房动 (AF) 移除,使用机器学习与最小的数据. 在临床应用中,DOKEN显著提高了细分精度,减少了对广泛标记数据集的需求.
科学领域:
- 医学成像和机器学习
- 计算解剖学和心脏细分学
背景情况:
- 计算机断层扫描 (CT) 扫描的精确细分对于针对心律失常的个性化心脏除手术至关重要.
- 目前用于自动细分的机器学习 (ML) 方法受限于对大型,精心标记的训练数据集的要求,这些数据集很难获得,并且需要大量的时间.
- 这种限制阻碍了基于ML的细分工具的广泛临床采用.
研究的目的:
- 开发和验证一种新的自动化标签方法,域知识编码 (DOKEN) 算法,以从小型训练集中实现高性能ML细分.
- 通过编码心脏几何学和解剖学知识来减少对广泛标记数据的依赖.
- 评估DOKEN算法在为心房动 (AF) 废除手术细分心脏结构中的有效性.
主要方法:
- DOKEN算法是为了分析左心房 (LA) 结构并从公开可用的数字LA模型中提取解剖学知识而开发的.
- 这种提取的知识被用来自动标记一个小型的培训数据集.
- 一个nnU-Net深度神经网络 (DNN) 模型使用DOKEN标记的数据进行了训练,随后在AF剥离研究中的更大的保留数据集 (N=100名患者) 上进行了测试.
主要成果:
- 改进了DOKEN的nnU-Net模型实现了高细分性能,培训与测试比为 1:5,显示了96.7%的Dice得分.
- 边界细分精度很好,表面距离中位误差为1.51毫米,中心点-边界平均距离为1.16毫米,与专家性能相比 (r = 0.99).
- 在数字心脏模型中,DOKEN 实现了 -0.27 mm (r = 0.99) 的平均心脏中心边界距离差异,验证了其在解剖细分中的精度.
结论:
- DOKEN算法有效地对多个左心房亚结构进行细分,大大减少了对ML大型训练数据集的需求.
- 这种新的领域知识与机器学习的整合提供了一个有希望的解决方案,以克服医疗图像分析中的数据限制.
- 这种方法有可能用于AF切除,未来将扩展到其他成像模式,3D打印和数据科学领域.
