通过改进的SegFormer架构中的混合注意力机制,在心声学中增强左心室细分
Hanqiong Wu1, Gangrong Qu2, Zhifeng Xiao3
1Internal Medicine, The First Hospital of Jinzhou Medical University, Jinzhou, 121001, China.
Heliyon
|August 22, 2024
概括
这项研究引入了一种新的SegFormer方法,具有混合注意力机制,用于在心声视频中准确的左心室细分. 该方法有效地捕捉了时间相关性,显著改善了心脏功能评估.
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:
- 声心图对于诊断心脏病至关重要.
- 精确的左心室 (LV) 分段对于评估心脏功能至关重要.
- 视频语义细分是具有挑战性的,因为之间的时间相关性.
研究的目的:
- 开发一种创新的方法,用于在心声回应视频细分中有效的时间相关模型.
- 为了提高左心室细分的准确性,使用基于变压器的架构.
- 解决视频语义细分中的时间动态的挑战.
主要方法:
- 将修改后的混合注意力机制纳入SegFormer架构.
- 使用时间敏感的卷积块注意模块 (TCBAM) 来处理时间特征图.
- 编码图像输入以获取当前和历史时间特征地图进行分析.
主要成果:
- 在Sunnybrook心脏数据 (SCD) 数据集上获得了97.92%的子系数.
- 在多结构超声波细分 (CAMUS) 心脏获取数据集上获得了F1分数0.9263.
- 在左心室细分精度方面表现优于现有模型.
结论:
- 拟议的方法为基于变压器的视频语义细分中的时间建模提供了一个有希望的解决方案.
- 这项研究通过改进的心声图分析,提高了对心脏功能的评估.
- 这项研究突出了医疗视频分析未来研究的新方向.


