多尺度特征融合与图像驱动的空间集成用于从心脏MRI图像中的左心房细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管疾病研究研究

背景情况:

• 在心脏MRI中精确的左心房 (LA) 分段对于诊断心血管疾病和规划心房动 (AF) 废除疗法至关重要.
• 手动细分是耗时的,并且受到观察者之间的变化影响,需要自动化解决方案.
• 无阶级的基础模型提供特征提取,但可能缺乏医疗领域的特异性,可能会降低精细解剖细节的空间分辨率.

研究的目的:

• 开发和验证心脏MRI中左心房 (LA) 的自动化细分框架.
• 通过将基础模型 (DINOv2) 与UNet样式解码器和多级特征融合集成来提高细分精度.
• 解决医疗成像任务的基础模型中空间分辨率降低的局限性.

主要方法:

• 提出了一个细分框架,将DINOv2作为编码器与UNet样式解码器结合起来.
• 集成的多尺度功能融合和输入图像在解码期间重新引入,以保存高分辨率的细节.
• 实现了一个可学习的权重机制,以动态优先考虑DINOv2编码器块的等级特征.

主要成果:

• 在LAScarQS 2022数据集上获得了92.3%的子得分和84.1%的IoU得分,用于LAScarQS 2022数据集上的巨型架构.
• 与nnUNet基线模型相比,表现出优越的性能.
• 验证了该框架在改善心脏MRI自动左前庭细分方面的有效性.

结论:

• 拟议的框架有效地提高了心脏MRI中自动左心房细分的准确性.
• 基础模型与特定领域适应的集成显示了医学图像分析的重大前景.
• 这种方法通过改进的成像分析,促进了心血管疾病的诊断和管理,特别是AF.