改善心脏功能评估:开发和验证用于自动化回声心脏图片细分的领域适应性框架

科学领域:

• 医学成像分析
• 心脏病学中的深度学习
• 图像分割技术

背景情况:

• 精确的心声图像细分对于心脏功能评估至关重要,包括射出分数计算.
• 由于域差异,噪音数据和解剖学变异性,深度学习模型面临着回声心脏学方面的挑战.
• 现有的方法难以应对不同的成像条件和模式.

研究的目的:

• 提出和验证自动回声心脏图像细分的域自适应细分框架.
• 在各种成像条件和模式中增强细分模型的稳定性.
• 解决心脏图像分析当前深度学习方法的局限性.

主要方法:

• 用于结构化隐藏表示的变量自编码器 (VAE) 和用于域对齐的瓦瑟斯坦GAN (WGAN) 的集成.
• 利用深度可分离的卷积来提高计算效率,并使用PixelShuffle层来实现高分辨率的重建.
• 在多个数据集 (CAMUS,EchoNet-Dynamic,Heshmat医院) 上使用子得分,雅卡德指数和豪斯多夫距离进行评估,并进行了心脏病学家的定性评估.

主要成果:

• 获得优异的子分数:84.6% (CAMUS → EchoNet-Dynamic) 和89.1% (EchoNet-Dynamic → CAMUS),超过了最先进的无监督域调整 (UDA) 方法.
• 在外部本地数据集 (赫什马特医院) 上保持强的表现,Dice分数为83.0%和84.1%.
• 与基线方法相比,所有结果都具有统计意义 (p < 0. 01).

结论:

• 拟议的UDA框架通过有效处理域差异,噪音数据和解剖学变异性,显著推进了回声心脏学细分.
• 这种强有力的框架为改善心脏健康评估提供了可靠的工具.
• 这项研究突显了临床心脏病学中自动化准确细分的潜力.