改善心脏结构的细分在心声回声图中用于对静脉功能评估

科学领域:

• 医疗成像和人工智能的人工智能
• 心血管诊断心血管诊断
• 心声学分析分析心声学分析分析

背景情况:

• 扩张性功能障碍的非侵入性评估依赖于复杂的心声回声学测量,观察者之间具有很高的可变性.
• 心脏结构的自动语义细分 (左心室,左心室,中心环) 可以捕捉时间变化,以进行改进的分析.

研究的目的:

• 为了提高对心声图像中左心房,左心室和心交环细分的准确性.
• 为了利用时间细分特征,更可靠地识别透支功能障碍.

主要方法:

• 开发了Diff-TransUNet,这是一种新的细分模型,采用了防噪强大的差分变压器模块.
• 评估私人,CAMUS和EchoNet-Dynamic数据集,使用子系数 (Dice),交叉点 (IoU) 和豪斯多夫距离 (HD95) 的指标.
• 使用Benjamini-Hochberg FDR校正和科恩d效应大小进行统计分析,以评估性能改善.

主要成果:

• 在所有数据集中,Diff-TransUNet表现出卓越的性能,实现了高 Dice,IoU 和低 HD95 值.
• 与最先进的模型相比,观察到显著的改进,Dice的改进范围为0.42%-4.96% (p < 0.05).
• 该模型提取的细分特征在识别腹功能障碍时达到88.95%的准确性.

结论:

• Diff-TransUNet模型显著提高了超声波图像细分的准确性.
• 左心室,左心房和 mitra annulus 的细分特征有效地帮助识别透缩功能障碍.