ترجمه فارسی مقاله تقسیم آسیب شناسی میوکارد چند منبع و چند منظوره با استفاده از یک پالایش آبشار CNN

چکیده

Myocardial infarction (MI) is one of the most prevalent cardiovascular diseases and consequently, a major cause for mortality and morbidity worldwide. Accurate assessment of myocardial tissue viability for post-MI patients is critical for diagnosis and treatment planning, e.g. allowing surgical revascularization, or to determine the risk of adverse cardiovascular events in the future. Fine-grained analysis of the myocardium and its surrounding anatomical structures can be performed by combining the information obtained from complementary medical imaging techniques. In this work, we use late gadolinium enhanced (LGE) magnetic resonance (MR), T2-weighted (T2) MR and balanced steady-state free precession (bSSFP) cine MR in order to semantically segment the left and right ventricle, healthy and scarred myocardial tissue, as well as edema. To this end, we propose the Multi-Sequence Cascading Refinement CNN (MS-CaRe-CNN), a 2-stage CNN cascade that receives multi-sequence data and generates predictions of the anatomical structures of interest without considering tissue viability at Stage 1. The prediction of Stage 1 is then further refined in Stage 2, where the model additionally distinguishes myocardial tissue based on viability, i.e. healthy, scarred and edema regions. Our proposed method is set up as a 5-fold ensemble and semantically segments scar tissue achieving 62.31% DSC and 82.65% precision, as well as 63.78% DSC and 87.69% precision for the combined scar and edema region. These promising results for such small and challenging structures confirm that MS-CaRe-CNN is well-suited to generate semantic segmentations to assess the viability of myocardial tissue, enabling downstream tasks like personalized therapy planning.

چکیده به فارسی (ترجمه ماشینی)

انفارکتوس میوکارد (MI) یکی از شایع ترین بیماریهای قلبی عروقی و در نتیجه ، دلیل اصلی مرگ و میر و عوارض در سراسر جهان است.ارزیابی دقیق زنده ماندن بافت میوکارد برای بیماران پس از MI برای تشخیص و برنامه ریزی درمانی بسیار مهم است ، به عنوان مثالاجازه تجدید عروق جراحی ، یا تعیین خطر وقایع جانبی قلبی عروقی در آینده.تجزیه و تحلیل ریز دانه از میوکارد و ساختارهای آناتومیکی اطراف آن را می توان با ترکیب اطلاعات به دست آمده از تکنیک های تصویربرداری پزشکی مکمل انجام داد.در این کار ، ما از رزونانس مغناطیسی افزایش یافته گادولینیوم (LGE) (MR) ، T2 وزن (T2) MR و پیشگیری از حالت ثابت حالت پایدار (BSSFP) Cine MR به منظور تقسیم معنایی بطن چپ و راست ، سالم و سالم و سالم و سالم استفاده می کنیم.بافت میوکارد زخم و همچنین ورم.برای این منظور ، ما پیشنهاد پالایش آبشار چند دنباله CNN (MS-CARE-CNN) ، یک آبشار CNN 2 مرحله ای را که داده های چند دنباله دریافت می کند و پیش بینی ساختارهای آناتومیکی مورد علاقه را بدون در نظر گرفتن زنده ماندن بافت در مرحله 1 پیشنهاد می کنیم.پیش بینی مرحله 1 در مرحله 2 بیشتر تصفیه می شود ، جایی که این مدل علاوه بر این ، بافت میوکارد را بر اساس زنده ماندن ، یعنی مناطق سالم ، زخم و ورم متمایز می کند.روش پیشنهادی ما به عنوان یک گروه 5 برابری و بخش های معنایی بخش SCAR با دستیابی به 62.31 ٪ DSC و دقت 82.65 ٪ و همچنین 63.78 ٪ DSC و دقت 87.69 ٪ برای منطقه اسکار و ادم ترکیبی تنظیم شده است.این نتایج امیدوارکننده برای چنین ساختارهای کوچک و چالش برانگیز تأیید می کند که MS-CARE-CNN برای تولید تقسیم بندی های معنایی برای ارزیابی زنده ماندن بافت میوکارد مناسب است ، و این امکان را می دهد تا کارهای پایین دست مانند برنامه ریزی درمانی شخصی را انجام دهد.