基于从没有心脏细分的胸部X射线图像中抽取的肺部领域的自动心胸比率计算

科学领域:

• 医疗成像医学成像
• 放射学 放射学是一门学科.
• 医疗保健中的人工智能

背景情况:

• 心胸比率 (CTR) 是使用前后胸部X射线 (P-A CXR) 进行初始心脏病评估的关键指标.
• 手动CTR测量是主观的,耗时的,并且需要专家放射科医生,因为在P-A CXR图像上观察心脏边界很困难.
• 现有的方法在准确的心脏细分方面存在局限性,导致CTR计算中的潜在错误.

研究的目的:

• 从P-A CXR图像中提出一种全新的,完全自动的CTR计算方法.
• 克服手动心脏细分的挑战,提高CTR测量的效率和准确性.
• 开发一种实用且可行的工具,用于初步评估心脏病.

主要方法:

• 使用卷积神经网络 (CNN) 来从P-A CXR抽象肺场面具图像.
• 开发一种基于肺场面罩的二维投影形态学的新方法来定位心脏的右边和左边边界点.
• 实施基于图形的技术,用于精确的点定位.

主要成果:

• 在静态 (T1) 和动态 (T2) P-A CXR数据集上分别达到4.1161和3.2116像素的平均距离误差.
• 证明了0.0208 (T1) 和0.0180 (T2) 的平均CTR误差,表明了高精度.
• 拟议的模型显示了与 CardioNet 模型相当的性能,同时消除了对心脏细分的需求.

结论:

• 提出的自动CTR计算方法是实用的和可行的.
• 这种方法克服了手动CTR测量中与心脏细分相关的局限性.
• 该方法为初步评估心脏病提供了潜在的有效工具,减少了放射科医生的时间和劳动力.