用于超声心动图视频分割与心肌梗死检测的 fully automated 二维与三维卷积神经网络流水线
图像与视频处理
2022-08-05 v2 计算机视觉与模式识别
机器学习
摘要
被称为超声心动图的心脏成像是一种非侵入性工具，用于生成包括图像和视频在内的数据，心脏病医生借此诊断一般心脏异常，特别是心肌梗死（MI）。超声心动图设备能够产生大量数据，需要心脏病医生快速分析以辅助诊断与治疗心脏疾病。然而，所获取的数据质量因采集条件和患者对摆位指令的配合程度而异。这些限制对医生而言颇具挑战，尤其在患者面临心肌梗死、生命垂危时。本文提出一种基于卷积神经网络（CNN）的创新实时端到端全自动化模型，通过超声心动图生成的视频中左心室（LV）的节段性室壁运动异常（RWMA）来检测心肌梗死。我们的模型实现为一个流水线：首先由二维CNN从心尖四腔（A4C）切面分割左心室腔完成数据预处理，随后由三维CNN进行二分类，判断分割后的超声心动图是否显示心肌梗死迹象。我们在由165段分别来自不同患者的超声心动图视频组成的数据集上训练了两个CNN。二维CNN在数据分割上达到97.18%的准确率，三维CNN在心肌梗死检测上达到90.9%的准确率、100%的精确率和95%的召回率。我们的结果表明，构建全自动化心肌梗死检测系统是可行且前景良好的。
引用
@article{arxiv.2103.14734,
title = {Fully Automated 2D and 3D Convolutional Neural Networks Pipeline for Video Segmentation and Myocardial Infarction Detection in Echocardiography},
author = {Oumaima Hamila and Sheela Ramanna and Christopher J. Henry and Serkan Kiranyaz and Ridha Hamila and Rashid Mazhar and Tahir Hamid},
journal= {arXiv preprint arXiv:2103.14734},
year = {2022}
}
备注
Multimed Tools Appl (2022)