用于左心室心肌梗死分割与量化的多方法技术实现

《Scientific Reports》：Multi-approach technique implementation for segmentation of left ventricular myocardial infarction and quantification

　　

摘要

心肌梗死是一种危及生命的心血管疾病，因此需要精确的分割和准确的诊断。为此，对其进行量化分析对于实现准确诊断以及制定有效措施预防心脏病发作至关重要。诸如深度学习之类的先进技术有望实现更精准的心肌梗死分割，并能够自动处理标注过的心脏MRI数据集。然而，分割精度会受到领域差异、梗死组织对比度低以及标注数据集匮乏等因素的严重影响。本研究提出了一种创新的混合深度学习框架，结合了循环一致性生成对抗网络、离散小波变换和U-Net，以实现稳健的心肌梗死分割。通过循环一致性生成对抗网络，可以从健康的MRI扫描中生成模拟的梗死图像，从而解决数据不足和领域差异问题。离散小波变换被整合到分割流程中，用以保留高频空间细节并提升边缘定位精度，这两点对于准确检测梗死边界极为重要。最后，基于包含合成图像和真实图像的混合数据集，并通过小波特征融合，对U-Net模型进行训练。实验结果表明，所提出的方法显著优于传统的U-Net模型，在梗死分割方面的Dice系数提升了4–8%，在心肌分割方面的提升幅度为2–4%。这些结果充分体现了将基于循环一致性生成对抗网络的数据增强技术与多分辨率小波特征相结合，在改善心脏组织轮廓识别方面的有效性。