Multimodal Learning To Improve Cardiac Late Mechanical Activation Detection From Cine MR Images

要約

この論文では、日常的に取得される標準画像に大きく依存する臨床分析のパフォーマンスを向上させるために、高度な画像技術を利用するマルチモーダルディープラーニングフレームワークを紹介します。
より具体的には、刺激エコーによる変位エンコーディング (DENSE) から得られた心筋ひずみの精度と再現性を初めて活用し、機械的活動後期におけるシネ心臓磁気共鳴 (CMR) イメージングの分析をガイドする共同学習ネットワークを開発します (
LMA) 検出。
画像レジストレーション ネットワークは、標準的なシネ CMR から、ひずみ値の重要な特徴推定要素である心臓の動きの知識を取得するために利用されます。
私たちのフレームワークは 2 つの主要なコンポーネントで構成されます。(i) 心筋の緊張を予測するために登録ネットワークから学習した潜在運動特徴を利用する DENSE 監視型の緊張ネットワーク。
(ii) 効果的な LMA 検出のために予測されたひずみを利用する LMA ネットワーク。
実験結果は、私たちが提案した研究がシネCMR画像からのひずみ解析とLMA検出のパフォーマンスを大幅に向上させ、DENSEの成果とより密接に一致していることを示しています。

要約(オリジナル)

This paper presents a multimodal deep learning framework that utilizes advanced image techniques to improve the performance of clinical analysis heavily dependent on routinely acquired standard images. More specifically, we develop a joint learning network that for the first time leverages the accuracy and reproducibility of myocardial strains obtained from Displacement Encoding with Stimulated Echo (DENSE) to guide the analysis of cine cardiac magnetic resonance (CMR) imaging in late mechanical activation (LMA) detection. An image registration network is utilized to acquire the knowledge of cardiac motions, an important feature estimator of strain values, from standard cine CMRs. Our framework consists of two major components: (i) a DENSE-supervised strain network leveraging latent motion features learned from a registration network to predict myocardial strains; and (ii) a LMA network taking advantage of the predicted strain for effective LMA detection. Experimental results show that our proposed work substantially improves the performance of strain analysis and LMA detection from cine CMR images, aligning more closely with the achievements of DENSE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google