Multi-Stage Segmentation and Cascade Classification Methods for Improving Cardiac MRI Analysis

要約

心臓磁気共鳴画像のセグメント化と分類は心臓の状態を診断するために重要ですが、現在のアプローチは精度と一般化可能性の点で課題に直面しています。
この研究では、新しい深層学習ベースのアプローチを導入することにより、心臓磁気共鳴画像のセグメンテーションと分類をさらに進歩させることを目指しています。
この方法では、セグメンテーションに U-Net および ResNet モデルを使用した多段階プロセスを使用し、その後ガウス平滑化を行うことでセグメンテーションの精度が向上し、左心室では 0.974、右心室では 0.947 の Dice 係数を達成しました。
分類には、深層学習分類器のカスケードを使用して肥大型心筋症、心筋梗塞、拡張型心筋症などの心臓病を区別し、平均精度 97.2% を達成しました。
提案されたアプローチは既存のモデルを上回り、セグメンテーションの精度と分類の精度が向上しました。
これらの進歩は臨床応用への有望性を示していますが、多様な画像プロトコルにわたるさらなる検証と解釈が必要です。

要約(オリジナル)

The segmentation and classification of cardiac magnetic resonance imaging are critical for diagnosing heart conditions, yet current approaches face challenges in accuracy and generalizability. In this study, we aim to further advance the segmentation and classification of cardiac magnetic resonance images by introducing a novel deep learning-based approach. Using a multi-stage process with U-Net and ResNet models for segmentation, followed by Gaussian smoothing, the method improved segmentation accuracy, achieving a Dice coefficient of 0.974 for the left ventricle and 0.947 for the right ventricle. For classification, a cascade of deep learning classifiers was employed to distinguish heart conditions, including hypertrophic cardiomyopathy, myocardial infarction, and dilated cardiomyopathy, achieving an average accuracy of 97.2%. The proposed approach outperformed existing models, enhancing segmentation accuracy and classification precision. These advancements show promise for clinical applications, though further validation and interpretation across diverse imaging protocols is necessary.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google