基于深度学习的估计左心室心肌张力从回声心电图与闭塞工件的估计

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心脏病学 心脏病学

背景情况:

• 2D回声心脏图对于评估心脏功能至关重要.
• 心声图中的斑点噪声和声学遮妨碍了准确的变形分析.
• 估计左心室 (LV) 壁应变对于诊断心脏疾病至关重要.

研究的目的:

• 开发一种深度学习方法,用于在2D心声回声图中进行可靠的变形估计.
• 为了自动量化LV墙壁的纵向应变,克服图像工件.
• 在具有挑战性的成像条件下提高心声回声图分析的准确性和可靠性.

主要方法:

• 集成的稀疏到密集流量转换,Res-UNet用于细分,以及全球运动聚合网络.
• 使用CAMUS数据集 (N=250) 进行LV墙壁细分,并使用合成数据库 (N=2037) 进行流量估计.
• 在带有增加噪音和声影的回声心脏图数据集上评估性能.

主要成果:

• 在稀疏到密集的流量转换中实现了98%的相关性,以及心肌细分的88.2%的Dice指数.
• 在流量估计中表现出0.133像素的低终点误差,在全球纵向应变 (GLS) 指数估计中表现出1.34%的误差.
• 在带有声影的回声心电图上保持稳定的性能,优于以前的方法.

结论:

• 深度学习方法准确地估计了2D回声心脏图中的LV变形,尽管有噪音和声学遮.
• 该方法显示性能和稳定性得到改善,为分析受损心声回声图提供了潜在的临床实用性.
• 开发的代码和模型是公开的,以促进进一步的研究和应用.