在大型模型SAM-Med2D中整合多个规模的信息和各种提示,以准确地估计左心室喷射分数
Yagang Wu1, Tianli Zhao2, Shijun Hu2
1School of Mathematics and Statistics, Central South University, Changsha, China.
Medical & biological engineering & computing
|February 14, 2025
概括
LV-SAM 改善左心室 (LV) 分段,用于准确的射出分数 (LVEF) 计算. 这种新型模型增强了多个尺度的特征提取,并减少了用户的快速负担,在心脏功能评估中表现优于现有的方法.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 心血管诊断心血管诊断服务
背景情况:
- 左心室喷射分数 (LVEF) 对于评估心脏功能至关重要.
- 精确的左心室 (LV) 分段对于LVEF计算至关重要.
- 现有的细分方法与小数据集,糟糕的概括和捕获多尺度信息作斗争,而大型模型可能是繁的.
研究的目的:
- 开发一个准确的LV细分模型,LV-SAM,解决当前方法的局限性.
- 增强多层次信息捕获并减少用户交互,以便快速生成.
- 通过优质的LV细分来提高LVEF估计的准确性.
主要方法:
- 拟议的LV-SAM是基于SAM-Med2D的模型,在编码器中具有多级适配器 (MSAd) 和多级解码器 (MSD) 具有跳过连接.
- 实现了用于密集提示生成的自动化管道,并利用了用于文本提示的大型语言模型.
- 采用多模式提示编码器 (MPE) 来处理生成的提示.
主要成果:
- 在CAMUS数据集上,LV-SAM在LV细分方面表现优于最先进的 (SOAT) 方法.
- 在LVEF估计中达到最低的5.016的平均绝对误差 (MAE).
- 该模型有效地捕获了多个规模的信息,并通过自动提示生成减少了用户负担.
结论:
- LV-SAM为准确的LV细分和LVEF估计提供了强大而高效的解决方案.
- 多尺度适配器和解码器的集成,以及自动提示生成,显著提高了模型性能和可用性.
- 这种方法代表了使用深度学习进行自动心脏功能评估的重大进步.
