相关实验视频
Updated: Jun 27, 2026
06:53
3D Whole-heart Myocardial Tissue Analysis
Published on: April 12, 2017
8.7K
基于深度学习的自动左心室细分从跨胃短轴视图到跨食道心声学:可行性研究
Yuan Tian1, Wenting Qin2, Zihang Zhao2
1Department of Anesthesiology, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100730, China.
Diagnostics (Basel, Switzerland)
|August 10, 2024
概括
深度学习模型,特别是Attention U-Net和U-Net++,显示了在横食管心声图像中自动细分左心室的前景,提供了更快,更客观的心血管评估.
科学领域:
- 心血管成像 - 心血管成像
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 从跨胃短轴视图 (TSVs) 到跨食道心声图 (TEE) 上精确的左心室细分对于外科手术期间的心血管评估至关重要.
- 目前的手动细分是耗时的,并且严重依赖于专家的经验.
研究的目的:
- 评估基于U-Net的不同深度学习算法的可行性和性能,用于TSV图像中的自动左心室细分.
- 为了比较U-Net,Attention U-Net,UNet++和UNeXt模型的准确性,效率和稳定性.
主要方法:
- 从451名患者获得1388个TSV TEE收购的回顾性收集.
- 图像预处理和数据增强技术的应用.
- 在3336张图像的数据集上训练和验证四个深度神经网络 (U-Net,Attention U-Net,UNet++,UNeXt),对138张图像进行测试.
主要成果:
- 注意U-Net和U-Net++实现了最高的细分精度,平均Jaccard相似系数 (JSC) 为86.02%,Dice相似系数 (DSC) 为92.00%.
- UNeXt以最少的参数 (1.47万) 展示了最有效的模型.
- U-Net提供了最快的训练和推断时间,单图像推断时间为101.75 ms. 注意U-Net在具有糟糕边界或文物的具有挑战性的案例中表现出色.
结论:
- 深度学习,特别是注意力U-Net,提供了一个可行的和有效的自动化解决方案,用于从TEE TSV图像中对左心室进行细分.
- 这项技术提供了一个潜在的加速和客观的替代品,用于心血管评估在术后管理.
- 进一步开发可以提高诊断准确性和简化临床工作流程.
