边界增强的$U^{2}$-Net用于跨胸腔心声学中的同时四腔细分

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:

• 目前的心脏功能分析通常集中在单个心室,忽视了同时发生的四室动态.
• 手动对心声回声图进行细分是耗时的,复杂的,并且由于图像质量和解剖学变异容易出现错误.
• 临床上需要自动化工具来同时评估所有四个心室,以全面评估心脏功能.

研究的目的:

• 开发和验证一款高性能深度学习模型,用于同时对四个心脏腔室进行跨胸腔心声图的细分.
• 为了解决心声学中手动细分和单腔分析的局限性.
• 为了实现自动四室协同分析,以改善心脏功能评估.

主要方法:

• 收集了一组2D顶端4室视图回声心脏图与注释区域的数据集.
• 提出了一个边界增强的网络,BeU^2-Net,具有双层嵌套编码器-解码器架构.
• 集成了一个针对细分的残余U块,带有混合受体场和一个边界预测分支,用于增强细分.

主要成果:

• BeU^2-Net在回声心脏图像中展示了卓越的边界检测能力.
• 该网络实现了所有四个心室的高分段性能.
• 对私人和公共数据集的实验证实了该模型的有效性.

结论:

• BeU^2-Net 提供了一种有前途的解决方案,用于心声回声学中自动,同时进行四室细分.
• 开发的工具可以显著提高心脏功能分析的效率和准确性.
• 这一进步有可能提高心脏病学中的临床决策.