时间特征融合视觉保留网络用于心声图像分割和心声图像分割
Zhicheng Lin1, Rongpu Cui1, Limiao Ning1
1College of Computer Science, Sichuan University, Chengdu 610065, China.
Sensors (Basel, Switzerland)
|April 28, 2025
概括
这项研究引入了一种新的心声回声图像分析模型,通过结合框架间的相关性和空间先验来增强心脏功能评估. 该模型提高了语义细分的准确性,从而可以更精确地测量左心室体积.
科学领域:
- 医疗成像医学成像
- 心脏病学 心脏病学
- 人工智能的人工智能
背景情况:
- 声心图对于评估心脏功能至关重要,它可以通过测量在腹缩末端 (ED) 和腹缩末端 (ES) 的左心室体积来评估心脏功能.
- 目前的方法往往忽略了连续回声心脏图像框架之间的相关性,这可能会限制准确性.
研究的目的:
- 开发一款用于心声回声图像分析的先进模型,利用框架间的相关性和空间先验.
- 提高语义细分的准确性,以提高心脏功能评估.
主要方法:
- 一个编码器-解码器架构,结合一个时间特征融合模块 (TFFA),使用自我注意力来实现间相关性.
- 一个视觉保留网络 (Vision RetNet) 编码器,通过曼哈顿基于距离的空间衰变矩阵集成空间先验.
- 对EchoNet-Dynamic和CAMUS数据集的模型评估.
主要成果:
- 拟议的模型在基准数据集上展示了竞争性表现.
- 结合空间先前信息和框架间的相关性,显著提高了语义细分的准确性.
- 当空间先验也被利用时,框架间相关性的有效性被放大了.
结论:
- 空间先验和框架间的相关性对于改善心声回声学中的语义细分至关重要.
- 开发的模型提供了一个有前途的方法,用于更准确的心脏功能评估使用心声回声学.
- 未来的研究可以在这些发现的基础上进一步完善心脏成像分析.
