Segmentación automática y evaluación de la regurgitación mitral utilizando imágenes ecocardiográficas Doppler
Autores: Liu, Guorong; Wang, Yulong; Cheng, Hanlin; Shi, Zhongqing; Qi, Zhanru; Yao, Jing; Luo, Shouhua; Chen, Gong
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Segmentación automática y evaluación de la regurgitación mitral utilizando imágenes ecocardiográficas Doppler
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Enfermedad de la válvula cardíaca
Método basado en aprendizaje profundo
Segmentación
Gravedad por RM
Imágenes de ecocardiografía
Evaluación automática
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
Antecedentes: La regurgitación mitral (RM) es una enfermedad común de la válvula cardíaca. La RM grave puede llevar a hipertensión pulmonar, arritmia cardíaca e incluso la muerte. Por lo tanto, el diagnóstico temprano y la evaluación de la gravedad de la RM son cruciales. En este estudio, proponemos un método basado en aprendizaje profundo para segmentar las regiones de RM, con el objetivo de mejorar la eficiencia de la clasificación y diagnóstico de la gravedad de la RM. Métodos: Mejoramos el módulo de Atención Multiescala Eficiente (EMA) para capturar características multiescala de manera más efectiva, mejorando así su rendimiento de segmentación en las regiones de RM, que varían ampliamente en tamaño. Se adquirieron un total de 367 imágenes de ecocardiografía Doppler en color, con 293 imágenes utilizadas para el entrenamiento del modelo y 74 imágenes para pruebas. Para validar completamente la capacidad del módulo EMA mejorado, utilizamos ResUNet como base, integrando parcialmente el módulo EMA mejorado en el proceso de upsampling del decodificador. El modelo propuesto luego se comparó con modelos clásicos como Deeplabv3+ y PSPNet, así como UNet, ResUNet, ResUNet con el módulo EMA original agregado y UNet con el módulo EMA mejorado agregado. Resultados: Los resultados experimentales demuestran que el modelo propuesto en este estudio logró el mejor rendimiento para la segmentación de la región de RM en el conjunto de datos de prueba: Jaccard (84.37%), MPA (92.39%), Recall (90.91%) y Precision (91.9%). Además, la clasificación de la gravedad de la RM basada en la máscara de segmentación generada por nuestro modelo propuesto también logró un rendimiento aceptable: Precisión (95.27%), Precisión (88.52%), Recall (91.13%) y F1-score (90.30%). Conclusión: El modelo propuesto en este estudio logró una segmentación precisa de las regiones de RM, y basándose en su máscara de segmentación, se puede realizar una evaluación automática y precisa de la gravedad de la RM, potencialmente ayudando a radiólogos y cardiólogos a tomar decisiones sobre la RM.
Descripción
Antecedentes: La regurgitación mitral (RM) es una enfermedad común de la válvula cardíaca. La RM grave puede llevar a hipertensión pulmonar, arritmia cardíaca e incluso la muerte. Por lo tanto, el diagnóstico temprano y la evaluación de la gravedad de la RM son cruciales. En este estudio, proponemos un método basado en aprendizaje profundo para segmentar las regiones de RM, con el objetivo de mejorar la eficiencia de la clasificación y diagnóstico de la gravedad de la RM. Métodos: Mejoramos el módulo de Atención Multiescala Eficiente (EMA) para capturar características multiescala de manera más efectiva, mejorando así su rendimiento de segmentación en las regiones de RM, que varían ampliamente en tamaño. Se adquirieron un total de 367 imágenes de ecocardiografía Doppler en color, con 293 imágenes utilizadas para el entrenamiento del modelo y 74 imágenes para pruebas. Para validar completamente la capacidad del módulo EMA mejorado, utilizamos ResUNet como base, integrando parcialmente el módulo EMA mejorado en el proceso de upsampling del decodificador. El modelo propuesto luego se comparó con modelos clásicos como Deeplabv3+ y PSPNet, así como UNet, ResUNet, ResUNet con el módulo EMA original agregado y UNet con el módulo EMA mejorado agregado. Resultados: Los resultados experimentales demuestran que el modelo propuesto en este estudio logró el mejor rendimiento para la segmentación de la región de RM en el conjunto de datos de prueba: Jaccard (84.37%), MPA (92.39%), Recall (90.91%) y Precision (91.9%). Además, la clasificación de la gravedad de la RM basada en la máscara de segmentación generada por nuestro modelo propuesto también logró un rendimiento aceptable: Precisión (95.27%), Precisión (88.52%), Recall (91.13%) y F1-score (90.30%). Conclusión: El modelo propuesto en este estudio logró una segmentación precisa de las regiones de RM, y basándose en su máscara de segmentación, se puede realizar una evaluación automática y precisa de la gravedad de la RM, potencialmente ayudando a radiólogos y cardiólogos a tomar decisiones sobre la RM.