Video Experimental Relacionado
Updated: May 6, 2026
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
Segmentación de Imágenes Preclínicas de Código Abierto: Conjuntos de Datos de Resonancia Magnética Cardíaca de Ratón
Wan Shah1, Daniel J Stuckey2, Tina Yao3
1UCL Centre for Translational Cardiovascular Imaging, Institute of Cardiovascular Science, University College London, London, UK; UCL Centre for Advanced Biomedical Imaging, University College London, London, UK.
Desarrollamos un modelo de aprendizaje profundo de código abierto para la segmentación de resonancia magnética cardíaca de ratón, logrando alta precisión y velocidad. Esto acelera la investigación cardiovascular preclínica al proporcionar un punto de referencia reproducible.
Área de la Ciencia:
- Imagen Cardiovascular
- Análisis de Imágenes Médicas
- Investigación Preclínica
Sus antecedentes:
- La segmentación manual de la resonancia magnética cardíaca en ratones es lenta y variable.
- Los modelos de aprendizaje profundo existentes no se generalizan a datos de resonancia magnética cardíaca preclínica.
- La falta de conjuntos de datos y modelos públicos dificulta los estudios preclínicos a gran escala.
Objetivo del estudio:
- Presentar el primer conjunto de datos de resonancia magnética cardíaca preclínica disponible públicamente.
- Desarrollar y lanzar un modelo de segmentación de aprendizaje profundo de código abierto para resonancia magnética cardíaca de ratón.
- Establecer un punto de referencia para el análisis de resonancia magnética cardíaca preclínica.
Principales métodos:
- Se creó un conjunto de datos de resonancia magnética cardíaca de eje corto de cine de 130 ratones con fenotipos diversos a 9.4T.
- Se incluyeron segmentaciones manuales expertas para el pool sanguíneo del ventrículo izquierdo y el miocardio.
- Se desarrolló un modelo de aprendizaje profundo de código abierto basado en UNet3+ para la segmentación.
- Se evaluó el modelo en conjuntos de datos de prueba internos y externos en diferentes intensidades de campo (7T, 9.4T, 11.7T).
Principales resultados:
- El modelo de aprendizaje profundo logró la segmentación en ~4.6s por pila de cine, más de 6.000 veces más rápido que el análisis manual.
- Alta precisión de segmentación con puntuaciones de Dice ≥ 0.91 para el pool sanguíneo y el miocardio.
- Excelente acuerdo para parámetros funcionales (ICC ≥ 0.89), comparable a la variabilidad interobservador humana.
Conclusiones:
- Se proporcionan el primer conjunto de datos de resonancia magnética cardíaca de ratón de acceso abierto y el modelo de DL de código abierto.
- Este recurso establece un punto de referencia para la resonancia magnética cardíaca preclínica.
- Permite el desarrollo reproducible, escalable y dirigido por la comunidad para acelerar la investigación cardiovascular.
