DeepValve:在心脏磁共振成像中为心交的第一个自动检测管道
Giulia Monopoli1, Daniel Haas1, Ashay Singh1
1Department of Computational Physiology, Simula Research Laboratory, Kristian Augusts gate 23, Oslo, 0164, Oslo, Norway.
Computers in biology and medicine
|May 1, 2025
概括
深度学习模型在心脏磁共振 (CMR) 图像中显示了自动化中枢 (MV) 评估的前景. DeepValve 管道准确检测 MV 传单,提高了膜疾病的诊断速度和精度.
科学领域:
- 心血管成像 - 心血管成像
- 人工智能在医学中的应用
- 医学图像分析 医学图像分析
背景情况:
- 准确的关 (MV) 评估对于诊断膜疾病和预防并发症至关重要.
- 心脏磁共振 (CMR) 提供了详细的MV结构和功能成像,超越了其他模式.
- 在CMR中自动检测MV传单可以显著提高诊断速度和准确性.
研究的目的:
- 推出DeepValve,这是首个深度学习 (DL) 管道,用于CMR中自动检测MV.
- 评估三种DL模型 (UNET-REG,UNET-SEG,DSNT-REG) 用于MV传单的检测和定位.
- 提出新的指标来评估CMR中的MV检测质量.
主要方法:
- 开发并测试了DeepValve DL管道在120个临床CMR图像上,这些图像来自MV疾病患者.
- 实施并比较了一个关键点回归模型 (UNET-REG),一个细分模型 (UNET-SEG) 和一个混合关键点模型 (DSNT-REG).
- 利用基于Procrustes和定制的基于Dice的指标来评估模型性能.
主要成果:
- DSNT-REG模型展示了优越的回归性能,准确地识别了MV地标位置.
- 联网-SEG模型取得了令人满意的子得分,准确预测了MV位置和拓.
- 两种模型都在不同的MV评估方面表现出有效性.
结论:
- 在CMR中使用DL的自动化MV评估中,DeepValve代表了显著的进步.
- 开发的模型为快速和精确的MV疾病临床评估提供了潜力.
- 这项工作为改善诊断工作流程和改善心脏膜疾病患者护理铺平了道路.
