view in publisher's site

Automated left ventricular myocardium segmentation using 3D deeply supervised attention U‐net for coronary computed tomography angiography; CT myocardium segmentation

Abstract Purpose Segmentation of left ventricular myocardium (LVM) in coronary computed tomography angiography (CCTA) is important for diagnosis of cardiovascular diseases. Due to poor image contrast and large variation in intensity and shapes, LVM segmentation for CCTA is a challenging task. The purpose of this work is to develop a region‐based deep learning method to automatically detect and segment the LVM solely based on CCTA images. Methods We developed a 3D deeply supervised U‐Net, which incorporates attention gates (AGs) to focus on the myocardial boundary structures, to segment LVM contours from CCTA. The deep attention U‐Net (DAU‐Net) was trained on the patients’ CCTA images, with a manual contour‐derived binary mask used as the learning‐based target. The network was supervised by a hybrid loss function, which combined logistic loss and Dice loss to simultaneously measure the similarities and discrepancies between the prediction and training datasets. To evaluate the accuracy of the segmentation, we retrospectively investigated 100 patients with suspected or confirmed coronary artery disease (CAD). The LVM volume was segmented by the proposed method and compared with physician‐approved clinical contours. Quantitative metrics used were Dice similarity coefficient (DSC), Hausdorff distance (HD), mean surface distance (MSD), residual mean square distance (RMSD), the center of mass distance (CMD), and volume difference (VOD). Results The proposed method created contours with very good agreement to the ground truth contours. Our proposed segmentation approach is benchmarked primarily using fivefold cross validation. Model prediction correlated and agreed well with manual contour. The mean DSC of the contours delineated by our method was 91.6% among all patients. The resultant HD was 6.840 ± 4.410 mm. The proposed method also resulted in a small CMD (1.058 ± 1.245 mm) and VOD (1.640 ± 1.777 cc). Among all patients, the MSD and RMSD were 0.433 ± 0.209 mm and 0.724 ± 0.375 mm, respectively, between ground truth and LVM volume resulting from the proposed method. Conclusions We developed a novel deep learning‐based approach for the automated segmentation of the LVM on CCTA images. We demonstrated the high accuracy of the proposed learning‐based segmentation method through comparison with ground truth contour of 100 clinical patient cases using six quantitative metrics. These results show the potential of using automated LVM segmentation for computer‐aided delineation of CADs in the clinical setting.

بخش‌بندی خودکار میوکارد بطن چپ با استفاده از شبکه U با نظارت عمیق سه‌بعدی برای آنژیوگرافی توموگرافی کامپیوتری عروق کرونر؛ بخش‌بندی میوکارد CT

چکیده هدف قطعه‌بندی میوکارد بطن چپ (LVM)در آنژیوگرافی توموگرافی کامپیوتری کرونری (CCTA)برای تشخیص بیماری‌های قلبی عروقی مهم است. به دلیل کنتراست ضعیف تصویر و تنوع زیاد در شدت و شکل، تقسیم‌بندی LVM برای CCTA یک کار چالش برانگیز است. هدف از این کار، توسعه یک روش یادگیری عمیق مبتنی بر منطقه برای تشخیص خودکار و بخش‌بندی مدل LVM تنها براساس تصاویر CCTA است. روش‌ها ما یک شبکه U با نظارت عمیق سه‌بعدی ایجاد کردیم که گیت های توجه (AGs)را برای تمرکز بر روی ساختارهای مرزی قلب، برای بخش‌بندی کانتورهای LVM از CCTA بکار می‌برد. توجه عمیق "یو - نت" (DAU - Net)بر روی تصاویر CCTA بیماران با یک ماسک دودویی برگرفته از کانتور دستی که به عنوان هدف یادگیری استفاده می‌شد، آموزش داده شد. شبکه توسط یک تابع زیان ترکیبی نظارت می‌شد که از دست دادن لجستیک و Dice را ترکیب می‌کرد تا به طور همزمان شباهت‌ها و اختلافات بین پیش‌بینی و مجموعه داده‌های آموزشی را اندازه‌گیری کند. برای ارزیابی دقت تقسیم‌بندی، ما به طور گذشته‌نگر ۱۰۰ بیمار مشکوک به بیماری عروق کرونر (CAD را بررسی کردیم. حجم LVM توسط روش پیشنهادی تقسیم شد و با کانتورهای بالینی تایید شده توسط پزشک مقایسه شد. معیارهای کمی مورد استفاده عبارت بودند از ضریب شباهت Dice (DSC)، فاصله هاسدورف (HD)، متوسط فاصله سطح (MSD)، میانگین مربع فاصله باقیمانده (RMSD)، مرکز فاصله جرم (CMD)، و اختلاف حجم (VOD). نتایج روش پیشنهادی با تطابق بسیار خوبی با خطوط جریان حقیقت زمین ایجاد شده‌است. رویکرد تقسیم‌بندی پیشنهادی ما در درجه اول با استفاده از اعتبارسنجی متقاطع پنج تایی ارزیابی می‌شود. پیش‌بینی مدل به خوبی با کانتور دستی مطابقت داشت. میانگین DSC کانتورهای نشان‌داده‌شده توسط روش ما در بین تمام بیماران ۹۱.۶ % بود. میزان HD حاصل ۶.۸۴۰ ± ۴.۴۱۰ میلی متر بود. روش پیشنهادی همچنین منجر به CMD کوچک (۱.۰۵۸ ± ۱.۲۴۵ mm)و VOD (۱.۶۴۰ ± ۱.۷۷۷ cc)شد. در میان تمام بیماران، MSD و RMSD به ترتیب ۰.۴۳۳ ± ۰.۲۰۹ mm و ۰.۷۲۴ ± ۰.۳۷۵ mm، بین حقیقت زمینی و حجم LVM ناشی از روش پیشنهادی بودند. نتیجه‌گیری ما یک رویکرد جدید مبتنی بر یادگیری عمیق برای تقسیم‌بندی خودکار LVM بر روی تصاویر CCTA ایجاد کردیم. ما دقت بالای روش تقسیم‌بندی مبتنی بر یادگیری پیشنهادی را از طریق مقایسه با کانتور حقیقت زمینی ۱۰۰ مورد بیمار بالینی با استفاده از شش معیار کمی نشان دادیم. این نتایج پتانسیل استفاده از تقسیم‌بندی خودکار LVM برای نمایش کامپیوتری CAD ها در تنظیمات بالینی را نشان می‌دهد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله General Medicine
  • ترجمه مقاله General Medicine
  • مقاله طب عمومی
  • ترجمه مقاله طب عمومی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.