Dergiler / Turkish Studies - Information Technologies and Applied Sciences / 2020 / Cilt: 15 - Sayı: 3

MRIKardiyak MR Görüntülerinde Sol Kulakçık Bölütlenmesi İçin Derin Öğrenme Tabanlı Hibrit Model

Deep Learning Based Hybrid Model for Left Atrial Segmentation in Cardiac

Sayfa
361–371
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Önerlien yöntemin test verileri üzerinde Dice Katsayısı 0.912 ± 0.068, Jaccard Benzerlik Katsayısı skoru 0.927±0.097ve Hausdorff Mesafesisi 18.54±4.21 olarak hesaplanmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Kardiyak manyetik rezonans görüntülerinde (MRG) başarılı sol kulakçık (SK) bölütlemesi daha yüksek hassasiyetli atriyal fibrilasyon ablasyonu, SA fibroz ölçümü ve kardiyak elektromekanik modelleme elde etmek için önemli zorluklardan biridir.
📊
Temel Bulgular & Veri:Bununla birlikte, kardiyak MR dan otomatik SK bölütlemesi kalbin dinamik hareketi ve sınır noktalarındaki yeğinlik değeri farkları, görüntü çözünürlüğü, denekler arasındaki anatomik yapılarda önemli değişkenlik nedeniyle zordur.
💡
Sonuç & Katkı:Önerlien yöntemin test verileri üzerinde Dice Katsayısı 0.912 ± 0.068, Jaccard Benzerlik Katsayısı skoru 0.927±0.097ve Hausdorff Mesafesisi 18.54±4.21 olarak hesaplanmıştır.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2018 · 100 adet
⚙️Değişkenler:Alan Parametreleri

Özet

Kardiyak manyetik rezonans görüntülerinde (MRG) başarılı sol kulakçık (SK) bölütlemesi daha yüksek hassasiyetli atriyal fibrilasyon ablasyonu, SA fibroz ölçümü ve kardiyak elektromekanik modelleme elde etmek için önemli zorluklardan biridir. Bununla birlikte, kardiyak MR dan otomatik SK bölütlemesi kalbin dinamik hareketi ve sınır noktalarındaki yeğinlik değeri farkları, görüntü çözünürlüğü, denekler arasındaki anatomik yapılarda önemli değişkenlik nedeniyle zordur. Bu çalışmada, SK'nın kardiyak volumetrik MRG'den tam otomatik bölütlenmesi için 3-boyutlu birleşik derin öğrenme ve rastgele alanlar yaklaşımı önerilmiştir. İlk önce U-net mimarisini kullanarak kaba bir SK bölütlmesi elde edilmiştir. Daha sonra son SK bölütlemesi için kardiyak hacimlerdeki bağlamsal ve görünüm bilgilerini etkili bir şekilde entegre etmek için koşullu rastgele alanlar uygulanmıştır. Yöntem rastgele alanlar sayesinde 3-boyutlu düzenlenmiş ve pürüzsüz bir sol karıncık yüzeyi sonucu vermektedir. STACOM 2018 veritabanında 100 adet kardiyak volumetrik MRG veri kümesi üzerinde önerilen yöntemi doğrulanmıştır. Önerilen yöntem sadece U-net yöntemini uygulamaktandaha iyi performans göstermiştir.Ayrıca 2-boyutlu ve 3-boyutlu yöntem karşılaştırılması yapılarak, 3-boyutlu yaklaşımın SK yüzeyi için sağladığı iyi performans nicel ve nitel olarak gösterilmiştir. Doğrulama ölçütü olarak, ortalama Dice katsayısı, Jaccard Benzerlik Katsayısı skoru ve Hausdorff Mesafesi kullanılmıştır. Önerlien yöntemin test verileri üzerinde Dice Katsayısı 0.912 ± 0.068, Jaccard Benzerlik Katsayısı skoru 0.927±0.097ve Hausdorff Mesafesisi 18.54±4.21 olarak hesaplanmıştır.

Abstract

ccurate left atrial (LA) segmentation from cardiac magnetic resonance imaging (MRI) is one of the key challenges for achieving higher precision atrial fibrillation ablation, quantification of fibrosis and enabling electromechanical modelling ofthe heart. However, due to motion blur caused by heart movement and inconsistent intensity patterns near the atrial border, automating left atrial segmentation is a challenging task. In this work, we propose a hybrid approach, where we combine a convolutional neural network with conditional random fields to fully automatically delineate the LA from cardiac volumetric MRI. We first generate a coarse segmentation using U-net architecture and then apply conditional random fields to effectively integrate contextual and appearance information on LA cardiac volumes. Our method is capable to generate a smooth 3D atrial geometry with the regularization of conditional random fields. We trained and tested the proposed method on 100 3D cardiac MRI datasets from the STACOM 2018 atrial segmentation challenge and showed that it outperforms single U-net and its variants both in 2D and 3D. Dice coefficient, Jaccard Similarity Index and Hausdorf metricwereused as validation metricsto evaulate the segmentation. For testingcases the Dice metric, Jaccard Similarity Index and Hausdorf metricwerecomputed as 0.912 ± 0.0680.927±0.097and 18.54±4.21 respectively.

🔖

Bu Makaleye Atıf Yap

ÖKSÜZ, İ. (2020). MRIKardiyak MR Görüntülerinde Sol Kulakçık Bölütlenmesi İçin Derin Öğrenme Tabanlı Hibrit Model. Turkish Studies - Information Technologies and Applied Sciences, Cilt: 15 - Sayı: 3, 361–371. https://ajindex.com/articles/375358

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (10)

  1. Hansen, B. J., Zhao, J., & Fedorov, V. V. (2017). Fibrosis and atrial fibrillation: computerized and optical mapping: a view into the human atria at submillimeter resolution. JACC: Clinical Electrophysiology,3(6), 531-546.
  2. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770- 778). Higuchi, K., Cates, J., Gardner, G., Morris, A., Burgon, N. S., Akoum, N., & Marrouche, N. F. (2018). The spatial distribution of late gadolinium enhancement of left atrial magnetic resonance imaging in patients with atrial fibrillation. JACC: Clinical Electrophysiology, 4(1), 49-58.
  3. Ho, T. K. (1995, August). Random decision forests. In Proceedings of 3rd international conference on document analysis and recognition (Vol. 1, pp. 278-282).
  4. IEEE. Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. Krähenbühl, P., & Koltun, V. (2011). Efficient inference in fully connected crfs with gaussian edge potentials. In Advances in neural information processing systems (pp. 109-117).
  5. LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.
  6. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
  7. Narayan, S. M., Rodrigo, M., Kowalewski, C. A., Shenasa, F., Meckler, G. L., Vishwanathan, M. N.,. & Wang, P. J. (2017). Ablation of focal impulses and rotational sources: What can be learned from differing procedural outcomes?. Current Cardiovascular Risk Reports, 11(9), 27. Narayan, S. M., & Zaman, J. A. (2016). Mechanistically based mapping of human cardiac fibrillation. The Journal of physiology, 594(9), 2399-2415.
  8. Njoku, A., Kannabhiran, M., Arora, R., Reddy, P., Gopinathannair, R., Lakkireddy, D., & Dominic, P. (2018). Left atrial volume predicts atrial fibrillation recurrence after radiofrequency ablation: a meta-analysis. Ep Europace, 20(1), 33-42.
  9. Noh, H., Hong, S., & Han, B. (2015). Learning deconvolution network for semantic segmentation. In Proceedings of the IEEE international conference on computer vision (pp. 1520-1528).
  10. Papik, K., Molnar, B., Schaefer, R., Dombovari, Z., Tulassay, Z., & Feher, J. (1998). Application of neural networks in medicine-a review. Medical Science Monitor, 4(3), MT538-MT546. Park, C., Took, C. C., & Seong, J. K. (2018). Machine learning in biomed