تجزیه و تحلیل خودکار بخش بندی ساختار قلب با استفاده از تصاویر CT قلبی مبتنی بر شبکههای عصبی کانولوشنی

بخش بندی ساختارهای قلب در تصاویر CT کل قلب نقش کلیدی در تشخیص کامپیوتری و تحلیل ضایعات قلبی ایفا می کند. با این حال، به دلیل ماهیت پویای قلب – مانند انبساط، انقباض و جریان خون – تصاویر CT قلبی اغلب دچار مرزهای ضعیف، آرتیفکت های حرکتی و کنتراست پایین بین قلب و بافت های اطراف می شوند. روش های سنتی بخش بندی دستی نه تنها زمان بر و نیازمند کار زیاد هستند، بلکه مستعد بخش بندی بیش از حد یا عدم دقت نیز می باشند. برای مقابله با این چالش ها، یک روش خودکار مبتنی بر یادگیری عمیق برای بخش بندی تصاویر CT قلبی پیشنهاد شده است. این روش از معماری شبکه عصبی کانولوشنال (CNN) برای یادگیری الگوهای بخش بندی مستقیما از داده های حقیقی (ground truth) استفاده می کند. با تمرکز بر نواحی مرکزی قلب، الگوریتم به طور موثر ساختارهای غیرقلبی مانند دنده ها، عضلات و سایر بافت های با کنتراست بالا را که ممکن است ناحیه قلب را مبهم کنند، فیلتر می کند. علاوه بر این، از رمزگذارهای خودکار حذف نویز چندلایه (stacked denoising auto-encoders) برای بهبود ترسیم دقیق مرزهای قلب استفاده شده است که حتی در حضور نویز و پس زمینه های پیچیده نیز بخش بندی قابل اعتمادی را تضمین می کند. روش پیشنهادی با استفاده از نه مجموعه داده از تصاویر CT قلبی با سطوح مختلف پیچیدگی اعتبارسنجی شد، از جمله مواردی با مرزهای نامشخص بین ناحیه هدف و پس زمینه، تنوع ساختارهای داخلی قلب و تداخل قابل توجه بافت های غیرقلبی. نتایج تجربی نشان داد که الگوریتم پیشنهادی در این مقاله عملکرد بخش بندی برتری دارد، به ویژه در سناریوهای چالش برانگیزی که تمایز بین قلب و بافت های اطراف کم است. این روش به طور موثر بیشتر بافت های غیرقلبی را حذف می کند و تصویر واضح تری از ساختارهای داخلی قلب ارائه می دهد که به پزشکان کمک می کند تا وضعیت سلامت قلب بیماران را به طور دقیق تری ارزیابی کنند.

کلیدواژه ها:

بخش بندی تصاویر CT قلبی ، یادگیری عمیق ، شبکه عصبی کانولوشنال (CNN) ، رمزگذارهای خودکار حذف ، نویز چندلایه