SimLVSeg:简化左心室细分在2D+时间心声图中,以自我和弱监督学习.
Fadillah Maani1, Asim Ukaye1, Nada Saadi1
1Mohamed bin Zayed University of Artificial Intelligence, Abu Dhabi, United Arab Emirates.
Ultrasound in medicine & biology
|September 29, 2024
概括
简化左心室 (LV) 细分 (SimLVSeg) 使用视频网络从稀疏的回声心脏图数据进行可靠的细分. 这种方法可以高效地实现高精度,推进自动心脏图像分析.
科学领域:
- 医学成像医学成像
- 医疗保健中的人工智能
- 心血管成像 - 心血管成像
背景情况:
- 由于注释数据有限,回声心电图中的左心室 (LV) 自动细分受到阻碍.
- 临床医生通常只注释几,这对深度学习模型构成了挑战.
研究的目的:
- 引入SimLVSeg,这是一个新的模式,用于在回声心电图视频中使用稀有注释数据进行一致的LV细分.
- 为了实现基于视频的网络,以提高LV细分的准确性和效率.
主要方法:
- SimLVSeg采用两阶段的培训过程:自我监督的预培训与时间掩盖和弱监督的学习.
- 自主监督阶段利用无注释回声心电图框架中的周期性模式.
- 监督较弱的阶段通过稀疏的临床注释来完善细分.
主要成果:
- 在EchoNet-Dynamic数据集上,SimLVSeg获得了93.32%的子得分,超过了现有的方法.
- 与最先进的解决方案相比,该方法显示出更高的效率.
- 在CAM US数据集上的分发外测试证实了SimLVSeg的概括性.
结论:
- SimLVSeg为LV细分提供了卓越的性能,并降低了计算成本.
- 基于视频的网络代表了可靠的回声心电图细分的有希望的方向.
- 开发的SimLVSeg框架和代码可供公众研究使用.


