一个新的网络,增强边缘信息,用于从LGE-MRI获得的左前庭细分
Ze Zhang1, Zhen Wang2, Xiqian Wang3
1School of Computer Science and Technology, Harbin Institute of Technology, Harbin, China.
Frontiers in physiology
|December 25, 2024
概括
这项研究引入了一种增强的深度学习模型,用于心脏MRI中精确的左心房 (LA) 细分. 这种新的方法提高了准确性,特别是对于复杂的结构,有助于心房的治疗.
科学领域:
- 医学成像分析 医学成像分析
- 心血管成像 - 心血管成像
- 人工智能在医学中的应用
背景情况:
- 精确的左心房 (LA) 分段对于心脏干预,如心房移除等心脏干预至关重要.
- 医疗图像的低对比度和目标尺寸不平衡对精确的LA边界划分构成重大挑战.
研究的目的:
- 开发一个先进的深度学习架构,以改善LA细分从晚期加多增强磁共振成像.
- 加强边缘信息提取和解决LA细分中的阶级不平衡问题.
主要方法:
- 在基础网络中引入边缘信息增强模块 (EIEM),以增强边缘细节.
- 实现空间加权交叉损失函数以优先考虑边缘像素并减轻类失衡.
主要成果:
- 拟议的方法在2018年心房细分挑战数据集上实现了0.684毫米的平均对称表面距离和0.924的Dice系数.
- 与最先进的算法相比,表现出显著的改进,突出了边缘信息增强的有效性.
结论:
- 开发的框架为精确的LA定位和细分提供了实际解决方案,增强了不规则和离散的解剖特征的结果.
- 该模型的稳定性在医学细分十项赛数据集中得到证实,这表明该模型在各种临床场景中具有可概括性.
