基于U形网络的左心室细分在回声心脏图与对比的预训练
Zhengkun Qian1, Tao Hu2, Jianming Wang3
1School of Mathematics and Computer Science, Dali University, Dali, China.
Scientific reports
|November 29, 2024
概括
这项研究提出了一种高效的深度学习模型,用于对心声图中左心室进行细分,实现高精度,降低临床应用的计算成本.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 心血管疾病是导致死亡的主要原因,需要准确的心脏功能评估.
- 在心声回声图上手动划分左心室是耗时且主观的.
- 当前的深度学习模型通常优先考虑临床使用的精度而不是计算效率.
研究的目的:
- 开发一个计算效率高的深度学习模型,用于左心室细分在心声图.
- 为了减少现有的细分模型的计算复杂性和参数数量.
- 为了提高左心室细分的性能,同时保持较低的资源需求.
主要方法:
- 提出了一个结合SwiftFormer编码器和U-Lite解码器的新型模型.
- 集成的空间和通道重建卷积 (SCConv) 模块.
- 用多项式损失 (PolyLoss) 取代二进制交叉损失 (BCELoss).
主要成果:
- 在EchoNet-Dynamic数据集上实现了0.92714的Dice相似系数,用于左心室细分.
- 报告的低计算复杂度为4472.55M FLOP和28.96M参数.
- 以显著降低的计算成本证明了具有竞争力的细分性能.
结论:
- 拟议的模型提供了一个高效和准确的解决方案,用于左心室细分在心声学.
- 集成SCConv和PolyLoss可以提高细分性能.
- 这种方法解决了临床心脏成像应用中高性能计算的需求.
