Video Experimental Relacionado
Updated: Sep 10, 2025
Quantification of Mouse Heart Left Ventricular Function, Myocardial Strain, and Hemodynamic Forces by Cardiovascular Magnetic Resonance Imaging
Published on: May 24, 2021
Cuantificación del tejido adiposo epicárdico y paracárdico en resonancia magnética cinética cardíaca de eje corto
Rui Zhang1, Xu Wang2, Zijian Zhou3
1School of Biomedical Engineering & State Key Laboratory of Advanced Medical Materials and Devices, ShanghaiTech University, 393 M. Huaxia Rd., Pudong New District, Shanghai, 201210, China.
El aprendizaje profundo cuantifica con precisión el tejido adiposo epicárdico (EAT) y paracárdico (PAT) de la resonancia magnética cardíaca. Este método automatizado mejora la velocidad y reduce el sesgo en comparación con el análisis manual.
Área de la Ciencia:
- Imágenes cardiovasculares
- La inteligencia artificial en la medicina
- Análisis de imágenes médicas
Sus antecedentes:
- El tejido adiposo epicárdico (EAT) y el tejido adiposo paracárdico (PAT) son depósitos de grasa cruciales que rodean el corazón.
- La cuantificación manual de EAT y PAT a partir de la resonancia magnética cardíaca (CMR) requiere mucho trabajo y es susceptible a errores humanos.
- La evaluación precisa del volumen de EAT y PAT es vital para comprender la fisiología y la enfermedad cardíacas.
Objetivo del estudio:
- Desarrollar y validar redes neuronales de aprendizaje profundo para la segmentación automatizada y la cuantificación de EAT y PAT.
- Para aprovechar la información de movimiento cardíaco dentro del eje corto cine CMR para mejorar la cuantificación de grasa.
- Para superar las limitaciones de la medición manual de EAT y PAT en la práctica clínica.
Principales métodos:
- Se diseñó una arquitectura U-Net modificada, que incorporaba convolución de resolución múltiple, extracción de movimiento, fusión de funciones y módulos de atención dual.
- Se realizaron estudios de ablación para evaluar la contribución de cada módulo dentro de la red.
- El rendimiento de la red propuesta se comparó con una U-Net de referencia y otras variaciones de la red.
Principales resultados:
- El modelo final de aprendizaje profundo logró una alta precisión de segmentación para EAT (índice de Dice 77.72% ± 2.53%) y PAT (índice de Dice 77.18% ± 3.54%).
- La red desarrollada superó significativamente a la U-Net de referencia y a otras redes comparadas.
- El modelo demostró una fuerte correlación con los volúmenes de referencia, con coeficientes de determinación de 0,8550 para EAT y 0,8025 para PAT.
Conclusiones:
- La red de aprendizaje profundo propuesta permite una cuantificación precisa y rápida de EAT y PAT a partir de CMR de cine estándar de eje corto.
- Este enfoque automatizado tiene el potencial de ayudar a los cardiólogos en la toma de decisiones clínicas.
- El método ofrece una alternativa fiable a la cuantificación manual, mejorando la eficiencia y la coherencia.
