基于深度学习的全自动化流水线：从三维超声心动图分析反流性二尖瓣解剖结构
计算机视觉与模式识别
2024-12-23 v3 定量方法
摘要
三维经食管超声心动图（3DTEE）是评估需外科或经导管修复的二尖瓣反流（MR）患者二尖瓣（MV）形态与病变的推荐成像技术。此类评估是详尽干预规划和术中引导的关键。然而，它需要对 3DTEE 图像进行分割，这耗时、依赖操作者且常仅为定性。本工作提出一种从 3DTEE 量化患者特异性 MV 几何的新流程。所开发方法依赖于具有 U-Net 架构的 3D 多解码器残差卷积神经网络（CNN），用于 MV 瓣环与瓣叶的多类分割。该 CNN 在包含 55 例 MR 患者 3DTEE 检查的数据集上训练与测试。训练后，CNN 被嵌入全自动因而完全可重复的流水线，精炼预测分割、检测 MV 解剖标志并量化 MV 形态。训练后的 3D CNN 在分割精炼前取得平均 Dice 分数 、平均表面距离 mm 及 95% Hausdorff 距离（HD） mm，优于最先进基线残差 U-Net 架构，并提供前所未有的瓣环、前叶与后叶多类分割。瓣环与瓣叶的自动 3D 线性形态测量（具体为直径与长度）与真值差异小于 1.45 mm。这些测量也与半自动商业软件的分析表现出强整体一致性。整个过程需极少用户交互，耗时约 15 秒。
引用
@article{arxiv.2302.10634,
title = {A Deep Learning-Based Fully Automated Pipeline for Regurgitant Mitral Valve Anatomy Analysis From 3D Echocardiography},
author = {Riccardo Munafò and Simone Saitta and Giacomo Ingallina and Paolo Denti and Francesco Maisano and Eustachio Agricola and Alberto Redaelli and Emiliano Votta},
journal= {arXiv preprint arXiv:2302.10634},
year = {2024}
}