ディープラーニングを用いた短軸心膜MRIにおける表心および副心筋脂肪組織の定量化
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.
Magma (New York, N.Y.)
|August 23, 2025
まとめ
ディープラーニングは,心臓のMRIからエピカルディア (EAT) とパラカルディア (PAT) の脂肪組織を正確に定量化します. この自動化された方法は,手動分析と比較して速度を向上させ,バイアスを軽減します.
科学分野:
- 心血管イメージング
- 医療における人工知能
- 医学画像分析
背景:
- エピカルディア脂肪組織 (EAT) とパラカルディア脂肪組織 (PAT) は,心臓を囲む重要な脂肪貯蔵庫です.
- 心臓MRI (CMR) から EATとPATを手動で定量化することは労働集約的で,人間のエラーに敏感です.
- 正確なEATとPATの量評価は,心臓の生理学と疾患を理解するために不可欠です.
研究 の 目的:
- EATとPATの自動セグメント化と定量化のためのディープラーニングニューラルネットワークの開発と検証.
- 短軸のシネ CMR内の心臓運動情報を活用し,脂肪の定量化を改善します.
- EATとPATのマニュアル測定の限界を克服する.
主な方法:
- 修正されたU-Netアーキテクチャが設計され,マルチ解像度コンヴォルション,モーション抽出,機能融合,およびダブルアテネションモジュールが組み込まれました.
- ネットワーク内の各モジュールの貢献度を評価するために,アブレーション研究が行われました.
- 提案されたネットワークの性能は,ベースラインのU-Netおよび他のネットワークの変異と比較されました.
主要な成果:
- 最終的なディープラーニングモデルは,EAT (ダイス指数 77.72% ± 2.53%) とPAT (ダイス指数 77.18% ± 3.54%) の高いセグメンテーション精度を達成しました.
- 開発されたネットワークは,ベースラインのU-Netと他の比較ネットワークを大幅に上回りました.
- このモデルは,EATの0.8550とPATの0.8025の決定係数で,参照量との強い相関を示した.
結論:
- 提案されたディープラーニングネットワークは,標準の短軸シネマCMRからEATとPATの正確かつ迅速な定量化を可能にします.
- この自動化されたアプローチは 臨床的意思決定において 心臓病科医を支援する可能性を秘めています
- この方法は手作業による量化に代わる信頼できる方法であり,効率と一貫性を向上させる.
