基于区域应变的心肌瘢痕多层次检测与定位深度学习方法在虚拟患者中的验证
计算机视觉与模式识别
2024-03-18 v1
摘要
通过心脏超声心动图测量心肌变形，可量化心脏功能。临床评估心脏功能通常侧重于全局相对缩短指标，但领土性和段位应变指标在心肌疾病（如瘢痕）区域显示异常。本文提出单一框架，通过卷积神经网络(CNN)基于分类算法预测心肌疾病基质，实现全局、领土性和段位层面的预测。提出将临床标准的球心图表示转化为多通道2D图像的解剖学有意义的表示，将任务形式化为图像分类问题，从而利用最新神经网络配置。训练全卷积网络(FCN)以从区域左心室(LV)应变模式中检测和定位心肌瘢痕。使用来自虚拟患者数据集的模拟区域应变数据进行训练和验证。该方法在测试集中成功检测并定位了5490个左心室段位中98%的瘢痕。由于瘢痕稀疏，仅有10%的虚拟患者群体LV段位存在瘢痕。考虑不平衡，计算平衡准确率为95%。在全局、领土性和段位层面报告性能。该方法在虚拟队列的应变轨迹上成功，为解决实际患者队列中区域心肌瘢痕检测问题提供了潜力。
引用
@article{arxiv.2403.10291,
title = {Deep Learning for Multi-Level Detection and Localization of Myocardial Scars Based on Regional Strain Validated on Virtual Patients},
author = {Müjde Akdeniz and Claudia Alessandra Manetti and Tijmen Koopsen and Hani Nozari Mirar and Sten Roar Snare and Svein Arne Aase and Joost Lumens and Jurica Šprem and Kristin Sarah McLeod},
journal= {arXiv preprint arXiv:2403.10291},
year = {2024}
}
备注
11 pages, 9 figures and 1 table. Preliminary results of the method was presented as poster in IEEE conference International Ultrasonics Symposium 2022 in Venice, Italy