ترجمه فارسی مقاله رویکرد قطعه‌بندی دو فازی برای قطعه‌بندی دقیق بطن چپ در MRI قلبی با استفاده از یادگیری ماشین

چکیده

Accurate segmentation of the Left Ventricle (LV) holds substantial importance due to its implications in disease detection, regional analysis, and the development of complex models for cardiac surgical planning. CMR is a golden standard for diagnosis of serveral cardiac diseases. LV in CMR comprises of three distinct sections: Basal, Mid-Ventricle, and Apical. This research focuses on the precise segmentation of the LV from Cardiac MRI (CMR) scans, joining with the capabilities of Machine Learning (ML). The central challenge in this research revolves around the absence of a set of parameters applicable to all three types of LV slices. Parameters optimized for basal slices often fall short when applied to mid-ventricular and apical slices, and vice versa. To handle this issue, a new method is proposed to enhance LV segmentation. The proposed method involves using distinct sets of parameters for each type of slice, resulting in a two-phase segmentation approach. The initial phase categorizes images into three groups based on the type of LV slice, while the second phase aims to segment CMR images using parameters derived from the preceding phase. A publicly available dataset (Automated Cardiac Diagnosis Challenge (ACDC)) is used. 10-Fold Cross Validation is used and it achieved a mean score of 0.9228. Comprehensive testing indicates that the best parameter set for a particular type of slice does not perform adequately for the other slice types. All results show that the proposed approach fills a critical void in parameter standardization through a two-phase segmentation model for the LV, aiming to not only improve the accuracy of cardiac image analysis but also contribute advancements to the field of LV segmentation.

چکیده به فارسی (ترجمه ماشینی)

تقسیم دقیق بطن چپ (LV) به دلیل پیامدهای آن در تشخیص بیماری ، تجزیه و تحلیل منطقه ای و توسعه مدلهای پیچیده برای برنامه ریزی جراحی قلبی از اهمیت قابل توجهی برخوردار است.CMR یک استاندارد طلایی برای تشخیص بیماریهای قلبی سرور است.LV در CMR شامل سه بخش مجزا است: پایه ، میانی تهویه و آپیکال.این تحقیق بر تقسیم دقیق LV از اسکن های MRI قلبی (CMR) متمرکز شده است و به قابلیت های یادگیری ماشین (ML) می پیوندد.چالش اصلی در این تحقیق حول محور عدم وجود مجموعه ای از پارامترهای قابل استفاده برای هر سه نوع برش LV است.پارامترهای بهینه سازی شده برای برشهای پایه اغلب در هنگام استفاده از برش های میانی و آپیکولار و آپیکال کوتاه می شوند و برعکس.برای رسیدگی به این مسئله ، روش جدیدی برای تقویت تقسیم بندی LV ارائه شده است.روش پیشنهادی شامل استفاده از مجموعه های مجزا از پارامترها برای هر نوع برش است و در نتیجه یک روش تقسیم بندی دو فاز ایجاد می شود.مرحله اولیه بر اساس نوع برش LV ، تصاویر را به سه گروه طبقه بندی می کند ، در حالی که مرحله دوم با هدف تقسیم تصاویر CMR با استفاده از پارامترهای حاصل از مرحله قبل است.از مجموعه داده های عمومی (چالش تشخیصی قلبی خودکار (ACDC)) استفاده می شود.از اعتبار سنجی صلیب 10 برابر استفاده می شود و به میانگین نمره 0.9228 رسیده است.آزمایش جامع نشان می دهد که بهترین پارامتر تنظیم شده برای یک نوع خاص از برش برای سایر انواع برش به اندازه کافی عمل نمی کند.تمام نتایج نشان می دهد که رویکرد پیشنهادی از طریق یک مدل تقسیم بندی دو فاز برای LV ، یک خلاء بحرانی را در استاندارد سازی پارامتر پر می کند ، با هدف بهبود نه تنها صحت تجزیه و تحلیل تصویر قلبی بلکه همچنین در پیشرفت در زمینه تقسیم LV کمک می کند.