ディープ・ラーニングを用いた遅期のガドリニウム強化MRIからの自動バイアトリアルセグメンテーションとバイオマーカー抽出
Fan Feng1, James Kennelly1, Zhaohan Xiong1
1Auckland Bioengineering Institute, The University of Auckland, Auckland, New Zealand.
Expert systems with applications
|February 16, 2026
まとめ
新しいディープラーニングツールであるbiAtriaNetは,LGE-MRIから両心房を正確にセグメント化し,線維症,心房壁の厚さ,腔体積を定量化しています. これは,個別化された心房細動の消去戦略を前進させる.
科学分野:
- 心血管画像検査についてです.
- 医療における人工知能
- バイオメディカルエンジニアリング
背景:
- 心房細動 (AF) は,拡張と線維症を含む漸進的な心房改造を含み,治療の有効性に影響します.
- 後期ガドリニウム強化 (LGE) MRIは左心房 (LA) 線維症を定量化しますが,両心房と正確なバイオマーカーの評価のための堅固なセグメンテーションがありません.
- 現在の方法はしばしば右心房 (RA) を排除し,正確な解剖学的および線維性特徴と闘う.
研究 の 目的:
- LAとRAの両方のLGE-MRIsから自動化されたセグメンテーションとバイオマーカー抽出のためのディープラーニングパイプラインであるbiAtriaNetを導入します.
- 心房線維症,心房壁の厚さ (AWT),および改善されたAFアブレーションガイドラインのための室の寸法/体積を評価するために.
- 患者特有のAF治療戦略のための強力なツールを開発する.
主な方法:
- 改造されたU-Netアーキテクチャ,残留接続,およびバッチ正常化で2つのCNNを使用したディープラーニングパイプラインであるbiAtriaNetを開発しました.
- 2D cine-MRI (UK Biobank, n=4860) と3D LGE-MRI (ユタ大学, n=60) でトレーニングされ,検証されています.
- 11つの3D LGE-MRI (ワイカト病院,ニュージーランド) で独立にテストされ,専門家の注釈と地面の真実と比較しました.
主要な成果:
- biAtriaNetは,高いセグメンテーション精度 (Diceスコア:LA 91.1%,RA 88.6%) と独立したデータセットへの転送性を達成しました.
- 室容量とAWTの測定は高い精度を示しました (LAの90%と95.9%,RAの94.6%).
- 線維症の推定値は強い相関を示した (Kolmogorov-Smirnov: LA 86.3%, RA 90.6%, p <0.05).
結論:
- biAtriaNetは,LGE-MRIsから正確な,自動化された,バイアトリアルセグメンテーションとバイオマーカー抽出を可能にします.
- パイプラインは,AF管理に不可欠な,心房解剖学と線維症の信頼性の高い定量化を提供します.
- このツールは,患者特有のAF除去戦略を強化し,臨床結果を改善する大きな可能性を秘めています.
