ناحيه‌بندي بطن چپ در تصاوير اكو كارديوگرافي با استفاده از يادگيري منيفلد و تلفيق ميدان برداري جهت‌دار ديناميكي

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

بيماري‌هاي قلبي شايع‌ترين علت مرگ و مير در جهان هستند. بررسي عملكرد بطن چپ كه وظيفه خون‌رساني به تمامي نقاط بدن را دارد، در تشخيص بيماري‌هاي قلبي بسيار حائز اهميت است. تعيين و رديابي خودكار مرزهاي ديواره بطن چپ در طول يك سيكل قلبي جهت كمي‌سازي عملكرد ديواره بطن چپ قلبي به جهت تشخيص بيماري‌هاي مختلف قلبي از جمله بيماري ايسكمي استفاده مي‌شود. در اين مقاله، روش خودكار جديدي براي تعيين مرز ديواره بطن چپ در تصاوير اكوكارديوگرافي يك سيكل قلبي ارائه شده كه در اين الگوريتم از تركيب روش‌هاي كانتور فعال هندسي بر اساس نيروي خارجي تلفيق ميدان برداري جهت‌دار و يادگيري منيفلد استفاده شده است. در اين روش، ابتدا تصاوير اكوكارديوگرافي يك سيكل قلبي با استفاده از يكي از پركاربردترين روش‌هاي يادگيري منيفلد به نام نگاشت محلي خطي به فضاي دو بعدي نگاشت مي‌شود. در اين فضاي ويژگي جديد ارتباط بين فريم‌هاي يك سيكل قلبي به خوبي نشان داده مي‌شود. سپس تعيين مرز ديواره بطن چپ در طول يك سيكل قلبي با استفاده از روش كانتور فعال هندسي بر اساس نيروي خارجي تلفيق ميدان برداري جهت‌دار انجام مي‌گيرد. در اين روش مرز نهايي يك فريم به عنوان مرز اوليه فريم بعدي در نظر گرفته شده و به منظور افزايش دقت تعيين مرز ديواره بطن چپ و همچنين جلوگيري از انحراف مرز، ميزان حركت مجاز مرز ناشي از روش كانتور فعال هندسي از ارتباط بين فريم‌ها، متناظر با فريم جاري و فريم قبلي، در فضاي دو بعدي محدود مي‌گردد. براي ارزيابي كمي روش پيشنهادي از 9 توالي تصاوير اكوكارديوگرافي (5 داوطلب سالم و 4 بيمار) استفاده شده است. مرز ديواره بطن چپ به دست آمده با روش پيشنهادي با مرز ديواره به دست آمده توسط پزشك متخصص باتجربه (استاندارد طلايي) مقايسه شده و نتايج به دست آمده حاكي از دقت بالاي روش پيشنهادي در تعيين مرز ديواره بطن چپ مي‌باشد.

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 (2-D) 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 2-D 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.