通过从变压器的双向编码器表示的个性化回声心脏学细分,Y形网络与患者属性

科学领域:

• 医学成像医学成像
• 心脏病学中的人工智能
• 定量心声回声学是一种心声回声学.

背景情况:

• 准确的心脏细分对于评估心脏功能至关重要,但受到手动注释主观性和自动化方法缺乏概括性的限制.
• 现有的自动化细分工具往往无法解释患者间的解剖学变异,例如与性别有关的差异,从而阻碍了它们的临床应用.
• 需要个性化和解剖适应性细分来克服当前心声回声分析的局限性.

研究的目的:

• 引入BTY-Net,这是一种用于自动回声心图细分的新型框架,它包含了患者特定的属性.
• 为了实现个性化和解剖学适应性心脏结构细分,使用双向编码器表示从变压器 (BERT) 基于文本的Y形网络 (BTY-Net).
• 通过解决患者间的变异性来提高自动回声心脏学细分的可通用性和准确性.

主要方法:

• BTY-Net使用了一个带有变压器编码器和多层消噪过器的Unet3+骨干.
• 一个预训练的BERT模型将患者的人口统计和获取环境编码为自然语言嵌入,用于个性化细分.
• 该框架在多结构超声波细分数据集的心脏获取上进行了评估,与使用子相似性和豪斯多夫距离的八种最先进模型进行了基准测试.

主要成果:

• 在关键心脏结构中,BTY-Net 实现了卓越的细分性能,具有最高的 Dice 系数 (例如, LV 内心: 0.9316) 和最低的 Hausdorff 距离.
• 该模型与最强的基线相比显示出显著的改进,增强了Dice的高达0.02-0.03,并减少了HD的1.1-1.5毫米.
• BTY-Net与参考射出分数 (相关性=0.9119) 达成高度一致,并在男性和女性子组中保持稳定的表现,证实其对解剖学多样性的强度.

结论:

• BTY-Net为心声回声分析提供了有效,可解释和个性化的解决方案.
• 患者信息和图像数据的多式融合提高了细分的准确性,并提供了临床上有意义的注意力图.
• BTY-Net为例行心声图分析提供了一个性强,临床可解释的框架.