换一批不同深度学习网络在心脏磁共振图像自动分析中的性能研究
Study of deep learning architectures on automatic analysis for cardiac parametric mapping
摘要目的 深度学习具有端对端的预测能力,能够加速医学图像的后处理,但是目前尚缺乏比较不同神经网络在心脏磁共振定量图像自动化分析性能差异的研究.因此本研究旨在探究不同神经网络是否具有自动化心脏定量图像分析的能力并比较其性能.方法 本研究收集了 155 名健康志愿者的MOLLI、SASHA T1 定量图像和 T2-prep bSSFP T2 定量图像,分别对 AlexNet、GoogLeNet、ResNet 和DenseNet进行训练,使这些网络能够直接从T1 和T2 定量图像中预测左心室全局(左心室心肌和左心室血液)与局部(室间隔和AHA节段)T1 和T2 定量结果,并对其性能进行比较.结果 4 种神经网络均能直接从心脏磁共振定量图像中预测全心和局部心肌的T1 和T2,具有自动化分析的能力.不同的网络对T1 和T2 的预测性能存在差异,同时对序列也敏感.在 3 个数据集中,DenseNet对于MOLLI和SASHA T1 定量图像的预测误差为 17 ms±60 ms,对于 T2 定量图像的预测误差约 2 ms,具有最好的性能.GoogLeNet性能优于AlexNet和ResNet.结论 本研究实验证明神经网络能够自动化分析心脏磁共振定量图像,不同神经网络存在性能差异,本研究可为心脏磁共振图像自动化分析技术提供支持,为医生等提供一种快速的图像分析方法.
更多相关知识
关键词
深度学习心脏磁共振自动分析定量图像心肌T1 和T2 分析deep learningcardiovascular magnetic resonanceautomatic analysisparametric mapmyocardial T1 and T2 analysis
分类号
R318.04（医用一般科学）
栏目名称
DOI
10.3969/j.issn.1002-3208.2024.06.001
发布时间
2024-12-19（万方平台首次上网日期，不代表论文的发表时间）
- 浏览9
- 被引0
- 下载4
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
