30245

مقاوم‌سازي قطعه‌بندي بطن‌چپ در تصاوير اكوكارديوگرافي دوبعدي با استفاده از يادگيري‌عميق

كارشناسي ارشد

مهندسي پزشكي- بيوالكتريك

1399

1402/7/5

حميد بهنام

مهندسي برق

اكوكارديوگرافي دو‌‌‌بعدي به دليل زمان دريافت سريع، هزينه كم و وضوح زماني بالا، پركاربردترين روش تصويربرداري غيرتهاجمي از قلب است. در مقايسه با ساير روش‌هاي تصويربرداري، اكوكارديوگرافي داراي ويژگي‌هاي منحصربه‌فردي مانند قابل حمل بودن، وضوح زماني بالا، عدم وجود اشعه يونيزان و هزينه كم است. قطعه‌بندي ساختارهاي قلب يكي از مراحل اساسي براي تخمين شاخص‌هاي حجمي قلب است. قطعه‌بندي دقيق بطن‌چپ در اكوكارديوگرافي براي اطمينان از صحت تشخيص، حياتي است. اين مرحله هنوز هم به صورت نيمه‌خودكار در روال باليني انجام مي‌شود. مطالعات اخير نشان داده‌اند كه يادگيري‌عميق پتانسيل انجام قطعه‌بندي تمام‌خودكار را دارد. در اين كار، ما يك شبكه چند وظيفه‌اي انتها به انتها را معرفي مي‌كنيم كه براي بهبود دقت كلي قطعه‌بندي بطن‌چپ قلب طراحي شده‌ است. در واقع ما از دو شبكه U-net با ساختار مشابه استفاده مي‌كنيم كه به صورت U-netI و U-netII نام‌گذاري شده‌‌اند. در ابتدا ناحيه مورد نظر ما توسط U-netI قطعه‌بندي مي‌شود و در مرحله دوم يك جعبه‌مرزي به صورت نيمه‌خودكار حول اين ناحيه كشيده مي‌شود كه ساير ناحيه‌هاي اضافي حذف مي‌شوند و در نهايت در شبكه دوم روي ديتا حاصل شده، قطعه‌بندي صورت مي‌گيرد. چالش موجود در اين كار مقاوم‌سازي شبكه در مقابل اطلاعات اضافي است كه با استفاده از جعبه مرزي در مرحله دوم صورت مي‌گيرد. در شبكه U-netI مقدار Dice برابر 0.88 و در شبكه U-netII برابر 0.80 و هم چنين مقدار Miou در هر دو شبكه به ترتيب برابر 0.47 و 0.40 است.

1402/10/03

Reinforcement of left ventricular segmentation in two-dimensional echocardiographic images using deep learning

9/26/2024 12:00:00 AM

Two-dimensional echocardiography is the most widely used non-invasive cardiac imaging method due to its fast acquisition time, low cost and high temporal resolution. Compared to other imaging methods, echocardiography has unique features such as portability, high temporal resolution, absence of ionizing radiation, and low cost. Segmentation of heart structures is one of the basic steps to estimate cardiac volume indices. Accurate segmentation of the left ventricle in echocardiography is critical to ensure accurate diagnosis. This step is still performed semi-automated in clinical routine. Recent studies have shown that deep learning has the potential to perform fully automatic segmentation. In this work, we introduce an end-to-end multitasking network designed to improve the overall accuracy of heart left ventricle segmentation. In fact, we use two U-net networks with the same structure, named U-netI and U-netII. First, the desired area is segmented by U-netI, and in the second step, a border box is drawn semi-automatically around this area, and other additional areas are removed, and finally, segmentation is done on the obtained data in the second network. The challenge in this work is to strengthen the network against additional information, which is done using the bounding box in the second step. In the U-netI network, the Dice value is equal to 0.88 and in the U-netII network is equal to 0.80, and also the Miou value in both networks is equal to 0.47 and 0.40, respectively.

تصاوير اكوكارديوگرافي دوبعدي , مقاوم‌سازي , مقاوم‌سازي قطعه‌بندي , يادگيري‌عميق , قطعه‌بندي بطن چپ

Two-dimensional echocardiography images , Reinforcement , Reinforcement segmentation , DeepLearning , LV segmentation

Elham Basati

Dr. Hamid Behnam