左心室的自动细分在上四室视图上 基于UNeXt深度神经网络的跨食道心声学
Lingeer Wu1, Yijun Ling2, Ling Lan1
1Department of Anesthesiology, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100730, China.
Diagnostics (Basel, Switzerland)
|December 17, 2024
概括
这项研究引入了UNeXt用于自动左心室细分在经食道心声学 (TEE) 顶部四腔室视图 (A4CV) 中,实现了卓越的准确性和效率. 开发的大规模TEE A4CV数据集支持了心脏成像分析的这一进步.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 心血管成像 - 心血管成像
背景情况:
- 通过食管回声心电图 (TEE) 进行的左心室自动细分对于心脏评估至关重要.
- 现有的方法需要提高准确性和计算效率.
- 需要一个大规模的,注释的数据集,用于TEE角四腔视图 (A4CV) 细分.
研究的目的:
- 为了构建一个大规模的TEE A4CV图像数据集.
- 提出和评估使用UNeXt深度神经网络用于TEE A4CV的左心室自动细分方法.
- 为了比较UNeXt与U-Net,TransUNet和Attention U-Net的性能.
主要方法:
- 从60名心脏手术患者的TEE A4CV数据集的开发,包括3000张图像.
- 实现了UNeXt深度神经网络,这是一个具有多层感知器的U-Net变体,用于细分.
- 使用子相似系数 (DSC) 和交叉与联盟 (IoU) 指标进行比较分析,并使用克鲁斯卡尔-瓦利斯测试来确定意义.
主要成果:
- UNeXt实现了最高的平均DSC (88.60%) 和IOU (77.60%),超过了U-Net,TransUNet和注意力U-Net.
- 与TransUNet和Attention U-Net相比,UNeXt表现明显更好 (p < 0.05).UneXt的性能显著好于TransUNet和Attention U-Net (p < 0.05).
- 与其他模型相比,UNeXt表现出较少的参数,计算复杂性和更快的推理时间.
结论:
- 本研究介绍了第一个大规模的TEE A4CV数据集,并验证了UNeXt对左心室细分的验证.
- 基于UNeXt的方法提供了一个有希望的解决方案,用于在TEE A4CV.中准确和高效的自动细分.
- 开发的数据集和模型有助于推进自动心脏图像分析.
