基于深度学习的彩色多普勒超声心动图相位解缠

彩色多普勒超声心动图是一种广泛使用的无创成像方式，可提供关于心内血流的实时信息。在左心室心尖长轴切面中，彩色多普勒尤其易在心脏充盈与射血期间出现相位缠绕（混叠）。在建立基于彩色多普勒的定量方法时，有必要校正这一缠绕伪影。我们开发了一种展开的原始对偶网络来解缠（去混叠）彩色多普勒超声心动图图像，并将其有效性与基于 nnU-Net 和 transformer 模型的两种最先进分割方法进行比较。我们在一个内部数据集上训练并评估了每种方法的性能，发现基于 nnU-Net 的方法提供了最佳的去混叠结果，其次是原始对偶方法和基于 transformer 的技术。值得注意的是，可训练参数显著更少的原始对偶网络相对于另外两种方法具有竞争力，展示了深度展开方法的高潜力。我们的结果表明，基于深度学习的方法可有效去除彩色多普勒超声心动图图像中的混叠伪影，优于最先进的半自动技术 DeAN。总体而言，我们的结果显示基于深度学习的方法有潜力有效预处理彩色多普勒图像以用于下游定量分析。