多模式学习以改善心脏迟延机械激活从电影MR图像的检测

科学领域:

• 心脏病学 心脏病学
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 临床分析通常依赖于标准的心脏磁共振 (CMR) 图像.
• 准确的心肌应变分析对于检测诸如晚期机械激活 (LMA) 等疾病至关重要.
• 用刺激回声 (DENSE) 进行位移编码提供了准确的菌株数据,但不是常规获得的.

研究的目的:

• 开发一个多式联机深度学习框架,以改进使用标准电影CMR图像进行LMA检测.
• 为了利用DENSE衍生的心肌菌株的准确性,以指导电影CMR分析.
• 为了提高从常规获得的CMR数据的菌株分析和LMA检测的性能.

主要方法:

• 开发了一个联合学习网络,整合一个图像注册网络,从电影CMR中学习心脏运动.
• 一个DENSE监督的菌株网络使用潜移动特征预测了心肌菌株.
• 随后的LMA网络利用预测的菌株进行LMA检测.

主要成果:

• 拟议的框架显著提高了从电影CMR图像中进行心肌菌株分析的性能.
• 显著提高了LMA检测准确性,与DENSE.实现的性能非常接近.
• 与标准方法相比,多式联络深度学习方法表现出优异的结果.

结论:

• 开发的深度学习框架有效地提高了临床环境中的菌株分析和LMA检测.
• 将DENSE衍生菌株原理与Cine CMR分析相结合,为改善心脏诊断提供了一个有希望的途径.
• 这种方法提供了一种更准确和可重复的方法,用于从标准CMR采集中分析心脏功能.