توسعه سامانه پشتیبان تصمیم گیری مبتنی بر یادگیری عمیق برای قطعه بندی دهلیزی در MRI قلب در چارچوب سلامت دیجیتال

بیماری های قلبی–عروقی همچنان مهم ترین عامل مرگ ومیر در جهان هستند و تغییرات ساختاری دهلیزها به عنوان شاخص های بالینی مهم در بیماری هایی مانند فیبریلاسیون دهلیزی و نارسایی قلبی شناخته می شوند. اندازه گیری دقیق دهلیز در MRI قلب ارزش بالینی بالایی دارد، اما ترسیم دستی آن زمان بر و وابسته به اپراتور است. این پژوهش یک چارچوب پشتیبان تصمیم گیری مبتنی بر یادگیری عمیق برای قطعه بندی خودکار ناحیه دهلیزی در MRI قلب در چارچوب سلامت دیجیتال ارائه می دهد. در این چارچوب از نرمال سازی شدت، افزایش داده و معماری U-Net دوبعدی استفاده شده است. عملکرد مدل با معیارهای Dice، IoU، حساسیت و ویژگی ارزیابی شد. نتایج نشان داد میانگین Dice برابر ۰.۸۷۹ است که بیانگر هم پوشانی مناسب بین پیش بینی و برچسب مرجع است. بررسی کیفی نیز شناسایی قابل اعتماد مرزهای دهلیزی را در اغلب موارد تایید کرد و خطاها عمدتا در تصاویر با کنتراست پایین مشاهده شد. اهمیت بالینی این سامانه در فراهم سازی اندازه گیری های کمی و تکرارپذیر برای پایش طولی نهفته است که با رویکردهای سلامت دیجیتال و پزشکی داده محور همسو است. این سامانه جایگزین پزشک نیست، بلکه ابزار کمکی برای کاهش بار کاری و افزایش یکنواختی ارزیابی هاست. در مجموع، این مطالعه ظرفیت ادغام یادگیری عمیق در تحلیل تصاویر قلبی به عنوان بخشی از اکوسیستم سلامت دیجیتال و سامانه های تصمیم یار هوشمند را نشان می دهد.

کلیدواژه ها:

سلامت دیجیتال ، قطعه بندی تصاویر پزشکی ، دهلیز قلب ، سیستم پشتیبان تصمیم گیری بالینی ، MRI قلب