临床医学论文_基于深度学习的心脏磁共振影像超
文章目录
0 引 言
1 数据集
2 性能评价
2.1 重建影像质量评价
1)均方误差(mean-square error, MSE)。
2)峰值信噪比(peak signal-to-noise ratio, PSNR)。
3)结构相似性(structual similarity, SSIM)。
4)每秒帧速率(frames per second, FPS)。
2.2 心脏功能评价
1)管径测量。
2)左心室容积与组间心肌表面的豪斯多夫距离。
3)左心室心博量与射血分数差值的配对t检验。
2.3 心脏分割效果评价
3 心脏超分辨率深度学习方法
3.1 CMR 2维超分辨率重建
3.2 CMR 3维超分辨率重建
3.3 其他维度的CMR超分辨率重建
4 基于深度学习的超分辨率技术的应用
5 讨 论
6 结 语
文章摘要:心脏为人体血液流动提供动力，是人体血液循环系统的重要组成部分。受人口老龄化影响，心脏病诊疗已成为重大公共健康话题。非侵入式活体心脏成像对心脏疾病的检测、诊断与治疗意义重大。然而，受活体心跳影响，成像扫描时间与心脏影像分辨率成为难以调和的矛盾。为缓和这一矛盾，基于快速扫描获得的低分辨率影像重建出心脏高分辨率影像的超分辨率（super-resolution, SR）重建技术成为研究热点。深度学习技术在医学影像处理领域中展现出强大生命力，基于深度学习的SR技术因其强大的学习能力与数据驱动性，在心脏影像SR重建领域中表现出明显优于传统方法的性能。目前领域内前沿成果较多，但缺少对领域现状进行总结、对未来发展进行展望的综述性文献。因此，本文对领域内现状进行梳理总结，挑选出代表性方法，分析方法特性，总结文献中心脏影像数据来源与规模，给出常用的评价指标，以及模型得出的性能评价结论。分析发现，基于深度学习的心脏SR重建技术取得了较大进展，但在运动伪影抑制、模型简化程度与时间性能方面仍有进步空间。此外，现有模型基本完全依靠网络强大的表达能力，鲜有临床先验知识的引入。最后，模型间性能对比相对较少，且领域内缺少代表性的可用于评价不同心脏SR重建模型性能的数据集。基于深度学习的心脏影像SR技术仍有较大发展空间。
文章关键词:
