用脉冲模式预测的深度学习分析来估计心脏相位:向自主心脏CT成像迈进
IEEE transactions on medical imaging
|March 3, 2025
概括
这项研究引入了一种用于自主心脏CT扫描的新型深度学习方法,消除了对心电图 (ECG) 门的需求. 这种新方法从脉冲模式预测 (PMP) 中准确估计心脏相位,简化了心脏病诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 心血管诊断心血管诊断服务
背景情况:
- 心脏CT对于诊断心脏病至关重要,但由于电心电图 (ECG) 等复杂的隔离装置,它面临着工作流程限制.
- 脉冲模式投影 (PMP) 为心脏CT数据采集提供了一个潜在的替代方案.
研究的目的:
- 开发一种使用深度学习 (DL) 和PMPs的分析分析的强大和自主心脏CT检查方法.
- 通过PMP直接实现精确的心脏相位估计,绕过传统的心电图门.
主要方法:
- 开发了一种新的投影域心脏相位估计网络 (PhaseNet),采用滑窗多通道特征提取和长期短期记忆 (LSTM) 块.
- 引入了一个不确定性驱动的Viterbi (UDV) 调节器,以使用动态编程来完善DL估计,在DL不确定性较高的点应用更强的调节.
- 该系统使用基于物理的模拟数据进行了评估,以准确评估性能.
主要成果:
- 与标准CNN-LSTM相比,PhaseNet表现出卓越的相位估计准确性,在RMSE中实现了大约50%的改进,与多通道残余网络相比,改进了24%.
- 添加UDV调节器进一步提高了RMSE约14%,导致精确的心脏相位估计低于6%的RMSE.
- 这代表了第一个直接在投影领域发布的前性心脏相位估计的出版物.
结论:
- 拟议的带有UDV调节器的PhaseNet能够从PMP中准确和自主地估计心脏相位.
- 这种方法有潜力显著简化心脏CT工作流程,消除了对心电图门和专家玻尿酸定时的需要.
- 这一进步为完全自主的心脏CT检查铺平了道路,提高了诊断心脏病的可访问性和效率.
