ناحیه‌بندی بطن چپ در تصاویر اکوکاردیوگرافی با استفاده از یادگیری منیفلد و تلفیق میدان برداری جهت‌دار دینامیکی

بیماری‌های قلبی شایع‌ترین علت مرگ و میر در جهان هستند. بررسی عملکرد بطن چپ که وظیفه خون‌رسانی به تمامی نقاط بدن را دارد، در تشخیص بیماری‌های قلبی بسیار حائز اهمیت است. تعیین و ردیابی خودکار مرزهای دیواره بطن چپ در طول یک سیکل قلبی جهت کمی‌سازی عملکرد دیواره بطن چپ قلبی به جهت تشخیص بیماری‌های مختلف قلبی از جمله بیماری ایسکمی استفاده می‌شود. در این مقاله، روش خودکار جدیدی برای تعیین مرز دیواره بطن چپ در تصاویر اکوکاردیوگرافی یک سیکل قلبی ارائه شده که در این الگوریتم از ترکیب روش‌های کانتور فعال هندسی بر اساس نیروی خارجی تلفیق میدان برداری جهت‌دار و یادگیری منیفلد استفاده شده است. در این روش، ابتدا تصاویر اکوکاردیوگرافی یک سیکل قلبی با استفاده از یکی از پرکاربردترین روش‌های یادگیری منیفلد به نام نگاشت محلی خطی به فضای دوبعدی نگاشت می‌شود. در این فضای ویژگی جدید ارتباط بین فریم‌های یک سیکل قلبی به خوبی نشان داده می‌شود. سپس تعیین مرز دیواره بطن چپ در طول یک سیکل قلبی با استفاده از روش کانتور فعال هندسی بر اساس نیروی خارجی تلفیق میدان برداری جهت‌دار انجام می‌گیرد. در این روش مرز نهایی یک فریم به عنوان مرز اولیه فریم بعدی در نظر گرفته شده و به منظور افزایش دقت تعیین مرز دیواره بطن چپ و همچنین جلوگیری از انحراف مرز، میزان حرکت مجاز مرز ناشی از روش کانتور فعال هندسی از ارتباط بین فریم‌ها، متناظر با فریم جاری و فریم قبلی، در فضای دوبعدی محدود می‌گردد. برای ارزیابی کمی روش پیشنهادی از 9 توالی تصاویر اکوکاردیوگرافی (5 داوطلب سالم و 4 بیمار) استفاده شده است. مرز دیواره بطن چپ به دست آمده با روش پیشنهادی با مرز دیواره به دست آمده توسط پزشک متخصص باتجربه (استاندارد طلایی) مقایسه شده و نتایج به دست آمده حاکی از دقت بالای روش پیشنهادی در تعیین مرز دیواره بطن چپ می‌باشد.

Left Ventricular Segmentation in Echocardiography Images by Manifold Learning and Dynamic Directed Vector Field Convolution

Cardiac diseases are the major causes of death throughout the world. The study of left ventricular (LV) function is very important in the diagnosis of heart diseases. Automatic tracking of the boundaries of the LV wall during a cardiac cycle is used for quantification of LV myocardial function in order to diagnose various heart diseases including ischemic disease. In this paper, a new automatic method for segmentation of the LV in echocardiography images of one cardiac cycle by combination of manifold learning and active contour based dynamic directed vector field convolution (DDVFC) is proposed. In this method, first echocardiography images of one cardiac cycle have been embedded in a two dimensional (2D) space using one of the most popular manifold learning algorithms named Locally Linear Embeddings. In this new space, relationship between these images is well represented. Then, segmentation of the LV wall during a cardiac cycle is done using active contour based DDVFC. In this method, final contour of each segmented frame is used as the initial contour of the next frame. In addition, in order to increase the accuracy of the LV segmentation and also prevent the boundary distortion, maximum range of the active contour motion is limited by Euclidean distances between consequent frames in resultant 2D manifold. To quantitatively evaluate the proposed method, echoacardiography images of 5 healthy volunteers and 4 patients are used. The results obtained by our method are quantitatively compared to those obtained manually by the highly experienced echocardiographer (gold standard) which depicts the high accuracy of the presented method.